مدل‌سازی رواناب روزانه با استفاده از شبکه عصبی توجه-گرافی هندسی مبتنی بر انرژی

کد مقاله : 1055-SCWMSUP (R1)

نویسندگان

نگین رشیدی *، وحید موسوی، مهدی وفاخواه دانشگاه تربیت مدرس

چکیده مقاله

این پژوهش به توسعه و ارزیابی مدل نوین شبکه عصبی توجه-ترسیمی هندسی انرژی‌پایه (EG-GAT) برای شبیه‌سازی رواناب روزانه می‌پردازد. هدف اصلی آن، بهره‌گیری از ساختارهای فضایی و توپولوژیکی حوضه با ادغام اطلاعات هندسی و محدودیت‌های فیزیکی مبتنی بر انرژی است تا دقت پیش‌بینی‌ها به‌ویژه در شرایط حدی بهبود یابد. داده‌های پژوهش شامل ۱۳ سال داده‌های هواشناسی روزانه، تصاویر ماهواره‌ای، مدل رقومی ارتفاع (DEM) و نقشه جهانی خاک است. پس از پیش‌پردازش، داده‌ها با نسبت ۷۰٪ برای آموزش و ۳۰٪ برای آزمون تقسیم شدند. در ساختار گراف، زیرآبخیزها به‌عنوان گره و ارتباطات هیدرولوژیکی به‌عنوان یال تعریف گردید. مدل EG-GAT از سه مؤلفه کلیدی تشکیل می‌شود: مکانیسم توجه که وزن‌دهی تطبیقی ارتباطات بین زیرحوضه‌ها را بر اساس تأثیر هیدرولوژیکی انجام می‌دهد، مؤلفه هندسی که ویژگی‌های فیزیکی مانند اختلاف ارتفاع، شیب، مساحت و تراکم زهکشی را در وزن‌دهی یال‌ها لحاظ می‌کند، مؤلفه انرژی‌پایه که با تعریف یک تابع انرژی، حالت‌های سازگار با قوانین فیزیکی را در ناحیه انرژی پایین و حالت‌های نامحتمل را در ناحیه انرژی بالا نگاشت می‌کند. عملکرد مدل با سه مدل مقایسه‌ای (مدل توجه-ترسیمی پایه و مدل توجه-ترسیمی هندسی) با استفاده از شاخص‌های R²، RMSE و NSE ارزیابی شد. نتایج نشان داد EG-GAT با R² = 0.95، RMSE = 1.09 m³/s و NSE = 0.94 نسبت به مدل‌های دیگر (R² بین 0.90 تا 0.92) برتری قابل‌توجهی دارد و در رویدادهای حدی نیز با R² = 0.92، RMSE = 2.25 m³/s و NSE = 0.91 موفق‌تر عمل می‌کند. تحلیل PDF و CDF و همچنین نمودارهای ویولن نشان داد مدل EG-GAT می‌تواند توزیع چوله به راست و دم سنگین مربوط به سیلاب‌های بزرگ را دقیق‌تر بازتولید کند. در نتیجه، ادغام دانش فیزیکی و هندسی در مدل‌های توجه-ترسیمی برای پیش‌بینی قابل اعتماد رواناب به‌ویژه در حوضه‌های کوهستانی مانند طالقان ضروری است و می‌تواند مبنای توسعه مدل‌های مشابه در سایر حوضه‌های ایران باشد.

کلیدواژه ها

واژه‌های کلیدی: مدل‌سازی رواناب، شبکه‌های عصبی گراف، توجه-ترسیمی هندسی، مدل انرژی‌پایه، پیش‌بینی رویدادهای حدی

وضعیت: پذیرفته شده