| کاربرد شبکههای عصبی عمیق LSTM در پیشبینی رواناب روزانه (مروری بر پیشرفتها و چالشها) |
| کد مقاله : 1100-SCWMSUP (R2) |
| نویسندگان |
|
گلاله غفاری *1، رضا چمن پیرا2 1استادیار پژوهشی بخش تحقیقات حفاظت خاک و آبخیزداری، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان کرمانشاه، ایران 2دانشیار پژوهشی بخش تحقیقات حفاظت خاک و آبخیزداری، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان لرستان، ایران |
| چکیده مقاله |
| پیشبینی دقیق رواناب از اهمیت بسزایی در مدیریت منابع آب، کنترل سیلاب و برنامهریزی بهرهبرداری از مخازن برخوردار است. با وجود پیشرفتهای چشمگیر در مدلسازی هیدرولوژیکی، پیشبینی رواناب روزانه بهویژه در شرایط اوج سیلاب همچنان چالشبرانگیز است. در دهههای اخیر، شبکههای عصبی عمیق بهویژه مدلهای حافظه کوتاهمدت طولانی (LSTM) توجه فزایندهای در حوزه هیدرولوژی جلب کردهاند. این مقاله مروری جامع بر کاربردهای LSTM در پیشبینی رواناب روزانه ارائه میدهد. مطالعات نشان میدهند که LSTM به دلیل قابلیت یادگیری وابستگیهای زمانی بلندمدت، گاهاً عملکرد بهتری نسبت به شبکههای عصبی مصنوعی سنتی (ANN) دارد. بهینهسازی فراسنجههای LSTM با الگوریتمهایی مانند PSO، استفاده از روشهای کاهش بعد مانند PCA و طراحی توابع هزینه اختصاصی برای پیشبینی دبی اوج، از جمله پیشرفتهای مهم در این حوزه هستند. نتایج مطالعات موردی در حوضههای مختلف نشان میدهند که مدلهای پیشرفته LSTM میتوانند به ضریب کارایی (NSE) بالا در پیشبینی رواناب روزانه و پیشبینی سیلابها دست یابند. با این حال، چالشهایی مانند نیاز به دادههای آموزشی کافی، قابلیت تفسیرپذیری محدود و تعمیمپذیری به حوضههای دیگر همچنان باقی است. این مقاله ضمن بررسی جامع مبانی نظری، روشهای بهبود عملکرد و مقایسه با مدلهای موجود، چالشها و فرصتهای تحقیقاتی آینده را نیز مورد بحث قرار میدهد. |
| کلیدواژه ها |
| حافظه کوتاهمدت طولانی، پیشبینی رواناب، یادگیری عمیق، ، پیشبینی سیلاب |
| وضعیت: پذیرفته شده |