| پیشبینی هوشمندانه دبی جریان با شبکههای عصبی عمیق: تحلیلی بر پایداری مدل تحت سناریوهای بحرانی |
| کد مقاله : 1033-SCWMSUP (R1) |
| نویسندگان |
|
رقیه علیپور *1، وحید موسوی1، هیراد عبقری2 1دانشگاه تربیت مدرس 2دانشگاه ارومیه |
| چکیده مقاله |
| مدلسازی فرآیند بارش-رواناب نقش حیاتی در مدیریت منابع آب و کاهش بلایای طبیعی دارد، اما پیچیدگی فرآیندهای هیدرولوژیکی، پیشبینی دقیق جریان، به ویژه در شرایط حدی مانند سیل و خشکسالی را دشوار میسازد. در حالی که مدلهای سنتی در تبیین فرآیندها قوی هستند، شبکههای عصبی عمیق مانند LSTM در ثبت روابط پیچیده و ارائه پیشبینیهای دقیقتر، پتانسیل بالایی از خود نشان دادهاند. با این حال، عملکرد این مدلها در بازنمایی دقیق رویدادهای حدی همچنان نیازمند بررسی است. این پژوهش به ارزیابی جامع مدل LSTM در پیشبینی جریان روزانه و پایداری آن در شرایط حدی در دو حوضه نازلوچای و سیمینهرود پرداخته است. نتایج نشان داد که LSTM توانایی بالایی در بازتولید دینامیک غالب جریان در این حوضهها دارد (NSE حدود 88/0 در نازلوچای و 82/0 در سیمینهرود). با این حال، افت قابل توجهی در پیشبینی جریانهای بسیار بالا (سیلابی) مشاهده شد (NSE حدود 63/0 در نازلوچای و 51/0 در سیمینهرود)، که نشاندهنده چالش در مدلسازی دقیق پیکهای سیلابی و شرایط رگباری است. این مطالعه تأکید میکند که برای ارتقای قابلیت اطمینان سیستمهای پیشبینی هیدرولوژیکی و مدیریت ریسک سیلاب، لازم است روشهایی برای بهبود بازنمایی دقیق رویدادهای حدی در مدلهای LSTM توسعه یابد. |
| کلیدواژه ها |
| مدلسازی رواناب، شبکههای حافظه کوتاهمدت بلند (LSTM)، مقادیر حدی، آبخیز نازلوچای، آبخیز سیمینهرود |
| وضعیت: پذیرفته شده |