مدل سازی دبی رودخانه کارون با استفاده از ارائه رویکردی جدید از ترکیب شبکه های عصبی LSTM و GRU

پیشبینی جریان یکی از مهمترین مراحل در مدیریت منابع آب است. تخمین میزان جریان رودخانه ها ابزاری مناسب جهت مدیریت منابع آبی و کاهش خطرات سیلاب و خشکسالی بخصوص برای رودخانه هایی است که در مناطق ساحلی قرار دارند. در دو دهه گذشته مدلسازی دبی رودخانه ها با دقت بالا به یک چالش مهم برای محققان تبدیل شده است؛ در این زمینه، مدلهای یادگیری ماشینی1 به دلیل دقت و سرعت بالا در پیش بینی از طریق یادگیری بصورت جعبه سیاه مورد توجه زیادی قرار گرفته اند. رودخانه کارون بخصوص در قسمتهای کوهستانی آن در سالهای گذشته با سیلابهای بزرگ، خسارات اقتصادی، جانی و محیطی زیادی را منجر شده است، از اینرو جهـت مدلسازی دبی رودخانه کارون در این مطالعه یک رویکرد ترکیبی پیشنهاد شده است که از ترکیب شبکه های عصبی 2 LSTM و 3 GRU استفاده میکند. به منظور مدلسازی دبی رودخانه کارون در جنوب ایران با استفاده از داده های آماری ایستگاه ملاثانی برای دوره 1 فروردین 1374 تا 29 اسفند 1394 استفاده شده و مدلسازی براساس پنج ترکیب ورودی با مقادیر دبی رودخانه با تاخیر یک ماهه انجام شده است. رویکرد پیشنهادی با استفاده از معیارهای ارزیابی جذر ریشه ی میانگین مربع خطا (RMSE)، ضریب تعیین (R2) و میانگین قدر مطلق خطا (MAE) بررسی شده و نتایج نشان داد مدل ترکیبی ارائه شده دارای دقت بالا در پیشبینی دبی جریان رودخانه است. دقت مدل ترکیبی توسط R2=0.991 و RMSE = 0.023 نشان داده شد.

کلیدواژه ها:

رودخانه کارون ، شبکه عصبی بازگشتی ، LSTM ، GRU ، مدلسازی مقدار دبی.