ارزیابیِ تلفیقِ شبکه عصبی بازگشتی LSTM با الگوریتم هایِ فراکاوشیِ یادگیریِ عمیق به منظور مدلسازی سیلاب در حوزه آبخیز طالقان(مقاله علمی وزارت علوم)
حوزههای تخصصی:
پیش بینی دقیق دبی رودخانه ها یکی از چالش های اساسی در مدیریت منابع آب و طراحی سامانه هایِ هشدار سیلاب است. در پژوهش حاضر با هدف ارزیابی کارایی مدل های نوین یادگیریِ عمیق در پیش بینی دبی بیشینه روزانه، چهار مدل شامل LSTM GRU -LSTM، ConvLSTM و S-LSTM در پنج ایستگاه هیدرومتری حوزه آبخیز طالقان مقایسه شدند. پس از پیش پردازش داده ها و استخراج سناریوهای تأخیر زمانی، مدل ها بر اساس شاخص هایRMSE ، MAE، NSE و ضریب همبستگی در مجموعه های آموزش و آزمون ارزیابی شدند. نتایج نشان داد که مدل های مبتنی بر حافظه زمانی LSTM و GRU-LSTM عملکرد به مراتب دقیق تری نسبت به مدل های مکانی زمانی و نسخه های توسعه داده شده ارائه دادند. مدلGRU-LSTM بهترین دقت را با NSE بالاتر از 95/0 و خطای بسیار پایین ثبت کرد اما نتایج آزمون آماری t-student نشان داد که اختلاف آن با مدل LSTM معنادار نیست؛ به گونه ای که الگوریتم LSTM تقریباً همان سطح دقت را با هزینه محاسباتی کمتر ارائه می دهد. در مقابل، ConvLSTM و S-LSTM عملکرد ضعیف تری داشتند و پراکندگی بیشتر نقاط در نمودارهای همبستگی بیان گر محدودیت آن ها در مدل سازی سری های زمانی تک متغیره بود. تحلیل بصری نمودارهای همبستگی نیز نشان داد که LSTM و GRU-LSTM بیشترین انطباق را با خط همبستگی داشته و قادر به بازسازی الگوهای زمانی جریان به ویژه پیک ها و افت ها بودند. با توجه به تعادل میان دقت، پایداری و هزینه محاسباتی، مدل LSTM به عنوان گزینه نهایی و بهینه برای پیش بینی دبی بیشینه روزانه در حوضه آبخیز طالقان پیشنهاد می شود