احمد شرافتی

پیش بینی دقیق جریان رودخانه نقش مهمی در مدیریت منابع آب، به ویژه برای کاهش مخاطرات ناشی از سیل، هشدار خشکسالی و بهره برداری از مخازن سدها ایفا می کند. در این پژوهش از آمار 20 ساله ( از سال 1380 لغایت 1400) بارش، دبی رودخانه و دمای میانگین در مقیاس روزانه در حوضه آبریز دهگلان استان کردستان استفاده گردید. برای انتخاب ترکیب بهینه و سناریوهای مدل از مقادیر بارش (Pt)، دمای میانگین (Tt) و دبی از یک تا سه روز تاخیر (Qt-1 تا Qt-3) با استفاده از ضریب همبستگی پیرسون استفاده شد. جهت انجام مدل سازی و پیش بینی جریان رودخانه نیز از مدل های هیبریدی شبکه عصبی مصنوعی-شیطان تاسمانی (ANN-TDO)، ماشین بردار پشتیبان رگرسیونی- شاهین دم قرمز (SVR-RTH) و مدل یادگیری عمیق حافظه طولانی کوتاه مدت - شکارچیان دریایی (LSTM-MPA) استفاده گردد. سپس نتایج مدل سازی بر اساس معیارهای ارزیابی (R2-MAE-RMSE-KGE) مورد سنجش قرار گرفت. یافته های این پژوهش نشان داد که مدل های هیبردی تا حد بسیار خوبی دقت مدل های منفرد را بهبود بخشیدند. همچنین نتایج نشان داد که عملکرد مدل ها بسیاز نزدیک است اما مدل ANN-TDO نسب به سایر مدل ها عملکرد بهتری داشته است. همچنین این مدل در فاز آموزش توانست در سناریوهای یک تا پنج (M1 تا M5) به ترتیب 10.66، 40.25، 39.19، 79.45 و 82.44 درصد عملکرد مدل منفرد ANN را بهبود بخشد.