Short-term forecasting of groundwater levels under conditions of mine-tailings recharge using wavelet ensemble neural network models

Abstract

Several groundwater-level forecasting studies have shown that data-driven models are simpler, faster to develop, and provide more accurate and precise results than physical or numerical-based models. Five data-driven models were examined for the forecasting of groundwater levels as a result of recharge via tailings from an abandoned mine in Quebec, Canada, for lead times of 1 day, 1 week and 1 month. The five models are: a multiple linear regression (MLR); an artificial neural network (ANN); two models that are based on de-noising the model predictors using the wavelet-transform (W-MLR, W-ANN); and a W-ensemble ANN (W-ENN) model. The tailing recharge, total precipitation, and mean air temperature were used as predictors. The ANN models performed better than the MLR models, and both MLR and ANN models performed significantly better after de-noising the predictors using wavelet-transforms. Overall, the W-ENN model performed best for each of the three lead times. These results highlight the ability of wavelet-transforms to decompose non-stationary data into discrete wavelet-components, highlighting cyclic patterns and trends in the time-series at varying temporal scales, rendering the data readily usable in forecasting. The good performance of the W-ENN model highlights the usefulness of ensemble modeling, which ensures model robustness along with improved reliability by reducing variance.

Résumé

Plusieurs études de prévision de niveaux d’eaux souterraines ont montré que les modèles pilotés par les données sont plus simples, plus rapides à développer et fournissent des résultats plus précis que les modèles numériques à base physique. Cinq modèles pilotés par les données ont été examinés pour la prévision des niveaux piézométriques résultant de la recharge via des terrils d’une mine abandonnée au Québec, Canada, pour des temps compris entre le jour, la semaine et le mois. Les cinq modèles sont: une régression linéaire multiple (RLM); un réseau de neurones artificiels (RNA); deux modèles qui sont basés sur le débruitage des prédicteurs de modèle utilisant la transformée des ondelettes (W-RLM, W-RNA); et un modèle d’ensemble d’ondelettes et de réseaux neuronaux artificiels (W-ERNA). La recharge via le terril, les précipitations totales, et la température moyenne de l’air sont utilisés comme prédicteurs. Les modèles RNA sont plus performants que les modèles RLM, et les deux modèles RLM et RNA fournissent des résultats significativement meilleurs après avoir ôté le bruit du signal du prédicteur en utilisant les transformées d’ondelettes. Globalement, le modèle W-ERNA obtient les meilleurs résultats pour les trois horizons temporels. Ces résultats mettent en évidence la capacité des transformées d’ondelettes pour décomposer les données non stationnaires en composantes discrètes d’ondelettes, soulignant les caractéristiques et les tendances cycliques dans les séries temporelles pour les différentes échelles de temps, rendant les données facilement utilisables pour les prévisions. La bonne performance du modèle W-ERNA souligne l’utilité de la modélisation d’ensemble, qui assure la robustesse du modèle avec une fiabilité améliorée en réduisant la variance.

Resumen

Varios estudios de pronósticos de niveles de agua subterráneas muestran que los modelos controlados por datos son más simples, más rápidos para desarrollar, y proporcionan resultados más precisos y exactos que los modelos de bases físicas o numéricas. Se examinaron cinco modelos controlados por datos para el pronóstico de niveles de agua subterránea como un resultado de la recarga en la escombrera de una mina abandonada en Quebec, Canadá, para tiempos de 1 día, 2 semana y 1 mes. Los cinco modelos son: una regresión lineal múltiple (MLR); una red neuronal artificial (ANN); dos modelos que están basado en modelos predictores de eliminación de ruidos usando la transformada de wavelet (W-MLR, W-ANN); y un conjunto de W con un modelo ANN (W-ENN). Se usaron la recarga de la escombrera, la precipitación total y la temperatura media del aire como predictores. Se obtuvieron mejores resultados con los modelos ANN que con los modelos MLR, y los modelos MLR y ANN mejoraron significativamente después de la eliminación de ruidos usando transformadas de wavelet. En general, el modelo W-ENN es mejor para cada uno de los tres tiempos. Estos resultados resaltan la capacidad de las transformadas de wavelet para descomponer datos no estacionarios en componentes discretas, resaltando los patrones cíclicos y las tendencias en las series de tiempo variando las escalas temporales, haciendo que los datos sean fácilmente utilizables en el pronóstico. La buena performance de modelo W-ENN resalta la utilidad del modelado conjunto, que asegura la robustez del modelo junto con una mayor fiabilidad al reducir la varianza.

摘要

若干项地下水位预测研究显示,依照数据处理的模型比基于物理或基于数值的模型可更简单、更快速地构建,能提供更准确的结果。检验了5个预测加拿大魁北克省废弃矿山尾矿排泄后周期为一天、一周、一个月地下水位的依据数据处理的模型。5个模型是:多元线性回归模型;人工神经网络模型;两个基于采用微波转换对模型预测因子除燥的模型;及微波总体神经网络模型。尾矿排泄、总降水量和平均气温作为预测因子。人工神经网络模型比多元线性回归模型表现要好,多远线性回归模型和人工神经网络模型经过采用微波转换对预测因子除燥后效果好很多。总之,微波总体人工神经网络模型对三个周期的每个时间段预测的最好。这些结果突出了微波转换分解非稳定数据到分立微波成分中的能力,强调了不同时间尺度下时间序列中的周期模式和趋势,使数据很容易滴用于预测。微波总体人工神经网络模型的良好表现凸显了总体模拟的有用性,这种总体模拟可通过减少差异确保模型的稳健性和改进的可靠性。

Resumo

Vários estudos de previsão de níveis de águas subterrâneas têm mostrado que os modelos baseados em dados são mais simples, mais rápidos de desenvolver e fornecem resultados mais exatos e precisos do que os modelos físicos ou modelos baseados em métodos numéricos. Foram examinados cinco modelos baseados em dados, para a previsão de níveis de águas subterrâneas resultantes de recarga através dos rejeitos de uma mina abandonada no Quebec, Canadá, para prazos de resposta de 1 dia, 1 semana e 1 mês. Os cinco modelos são: uma regressão linear múltipla (MLR); uma rede neuronal artificial (ANN); dois modelos baseados na eliminação de ruído dos preditores do modelo utilizando a transformada de onduletas (W-MLR, W-ANN); e um modelo neuronal W-conjunto de onduletas ANN (W-ENN). Foram utilizados como preditores a recarga nos rejeitados mineiros, a precipitação total e a temperatura média do ar. Os modelos ANN tiveram melhor desempenho do que os modelos MLR, e ambos os modelos MLR e ANN tiveram um desempenho significativamente melhor após a redução de ruído dos preditores utilizando transformadas de onduletas. Em geral, o modelo W-ENN gerou melhores resultados para cada um dos três prazos de resposta. Os resultados destacam a capacidade das transformadas de onduletas de decompor dados não estacionários em componentes discretos de onduletas, destacando padrões cíclicos e tendências nas séries temporais nas diferentes escalas temporais, tornando os dados imediatamente utilizáveis na previsão. O bom desempenho do modelo W-ENN põe em evidência a utilidade da modelação conjunta, que garante a robustez do modelo a par de uma fiabilidade acrescida, através da redução da variância.