| مدلسازی تغییرات سطح آب زیرزمینی با رویکرد ترکیبی GCN و LSTM |
| کد مقاله : 1082-SCWMSUP (R1) |
| نویسندگان |
|
نگین رشیدی *1، وحید موسوی2 1دانشگاه تربیت مدرس 2دانشیار (نویسنده مسئول)، گروه مهندسی آبخیزداری، دانشکده منابع طبیعی، دانشگاه تربیت مدرس، نور، ایران. |
| چکیده مقاله |
| در این پژوهش، عملکرد دو مدل مبتنی بر یادگیری عمیق شامل شبکه پیچشی-ترسیمی (GCN) و مدل ترکیبی GCN–LSTM بهمنظور پیشبینی تراز آب زیرزمینی مورد بررسی قرار گرفت. دادههای مورد استفاده شامل مشاهدات ماهانه چاههای پیزومتری و مجموعهای از متغیرهای هیدرواقلیمی، زمینشناسی و انسانی از جمله بارش، دما، دبی، شاخص پوشش گیاهی نرمالشده(NDVI)، ویژگیهای بافت خاک، ضریب انتقالپذیری، کاربری اراضی و میزان برداشت از چاهها بود. در این مطالعه، هر چاه بهعنوان یک گره در ساختار گراف تعریف شد تا روابط و وابستگیهای مکانی میان چاهها در فرآیند مدلسازی لحاظ شود. پس از انجام مراحل پیشپردازش شامل رفع دادههای مفقود، نرمالسازی دادهها و سازماندهی سریهای زمانی، مدلها آموزش و ارزیابی شدند. نتایج نشان داد که مدل GCN توانایی مناسبی در استخراج ویژگیهای فضایی و بازنمایی ساختار مکانی آبخوان دارد، اما در مدلسازی وابستگیهای زمانی با محدودیت مواجه است. در مقابل، مدل ترکیبی GCN–LSTM با تلفیق قابلیت استخراج روابط فضایی توسط GCN و یادگیری وابستگیهای زمانی توسطLSTM ، عملکرد دقیقتر و پایدارتری ارائه داد و توانست روند تغییرات و نوسانات تراز آب زیرزمینی را با خطای کمتر شبیهسازی کند. نتایج این پژوهش نشان میدهد که استفاده همزمان از اطلاعات مکانی و زمانی میتواند دقت پیشبینی تراز آب زیرزمینی را بهطور قابلتوجهی افزایش دهد و مدل GCN–LSTM گزینهای کارآمد برای مدیریت و پیشبینی منابع آب زیرزمینی محسوب میشود. |
| کلیدواژه ها |
| واژههای کلیدی: آب زیرزمینی، شبکه پیچشی-ترسیمی (GCN)، مدل ترکیبی GCN–LSTM، یادگیری عمیق، پیشبینی تراز آب زیرزمینی |
| وضعیت: پذیرفته شده |