| پیش‌بینی دبی ماهانه رودخانه‌ها با استفاده از مدل‌های یادگیری عمیق LSTM و CNN-LSTM |
| کد مقاله : 1303-IWWA |
| نویسندگان |
|
ساناز سلیمان بیگی *1، اسماعیل اسدی2 1دانشجو کارشناسی ارشد دانشگاه سراسری تبریز 2استاد دانشگاه تبریز |
| چکیده مقاله |
| پیش‌بینی جریان رودخانه به‌صورت ماهانه نقش حیاتی در مدیریت منابع آب، بهره‌برداری از مخازن و کنترل سیل و خشکسالی ایفا می‌کند. در این مقاله، مطالعه‌ای تطبیقی بین عملکرد پیش‌بینی دو نوع از شبکه حافظه طولانی کوتاه‌مدت (LSTM) و شبکه ترکیبی CNN-LSTM در پیش‌بینی جریان ماهانه رودخانه در حوضه کسیلیان (استان مازندران، ایران) انجام شده است. این مطالعه بر پایه ۲۱ سال (۲۵۲ ماه، سال‌های آبی ۱۳۸۳ تا ۱۴۰۳) داده‌های دبی و بارش ماهانه ثبت‌شده از چهار ایستگاه باران‌سنجی صورت گرفته است. پس از اعمال تبدیل بر روی مقادیر دبی و تولید ویژگی‌های تأخیری (lag)، میانگین متحرک (mean) و ویژگی‌های فصلی (سینوسی/کسینوسی)، مجموعه‌داده برای دنباله‌های ورودی سه‌ماهه آماده‌سازی شد. برای ارزیابی، سه سناریو شامل داده ورودی فقط دبی، فقط بارش، و ترکیب دبی و بارش برای هر دو مدل در نظر گرفته شد. نتایج نشان داد که در تمامی سناریوها، مدل CNN-LSTM عملکرد بهتری نسبت به مدل پایه LSTM داشته و در حالت CNN-LSTM با داده‌های ورودی ترکیبی (R2 = NSE = 0.902، RMSE = 0.499، MAE = 0.353 و %MAPE = 22.07 )، بهترین عملکرد مشاهده شد. |
| کلیدواژه ها |
| پیش‌بینی دبی، حوضه کسیلیان، یادگیری عمیق، LSTM، CNN-LSTM |
| وضعیت: پذیرفته شده برای ارسال فایل های ارائه پوستر |
