استفاده از رویکرد یادگیری عمیق به منظور تخمین سیل بر اساس الگوی بارش منطقه

در سال های اخیر به دلیل بروز خشکسالی در کشور، مساله مدیریت منابع آب موجود از اهمیت فوق العاده ای برخوردار است و این توجه هرچه بیشتر به مدیریت مخازن وپیش بینی میزان حجم آب به منظور ارایه سیاست های مناسب بهره برداری می باشد. از طرف دیگر، بارش های فصلی و بیش از حد، تغییرات شگرفی در بسترسازی رودخانه ها و حوضه های آبریز ایجاد نمود که بررسی مدل های پیش بین را در شرایط وقوع باران های شدید، بیش از پیش مشخص می نماید که علاوه بر جلوگیری از خسارات ناشی از وقوع سیلاب، می توان از آب مازاد جاری شده نیز در جهت مطلوب استفاده نمود. ازاین رو عدم تدوین سیاست مناسب بهره برداری به خصوص در شرایط خشکسالی می تواندخسارت های زیادی را به بخش های مصرف کننده آب وارد کند. پیش بینی مناسب جریان های آب و میزان موجودی های مخزن منجر به استفاده از منحنی های فرمان برای استفاده بهینه از سدها و سیستم های مخزنی می شود. در این مقاله، با توجه به اهمیت موضوع، از یک مدل مبتنی بر یادگیری عمیق و آزمون تجربی من-کندال جهت تخمین میزان سیلاب در منطقه کن-سولقان استفاده شد. نتایج نشان داد میزان اختلاف پیش بینی سیلاب منطقه به تفکیک ماهیانه برای شبکه عصبی کانولوشن برابر با ۰.۰۰۶۵۴ و برای روش من-کندال، ۰.۱۹۵۳۲ می باشد. همچنین میزان خطاهای MSE، RMSE، MAE و MPE برای شبکه عصبی به ترتیب برابر با ۰.۰۰۱۹، ۰.۰۴۳۹، ۰.۰۲۳۹، و ۰.۰۱۵۹ بدست آمد که نشان از دقت بالای این روش در تخمین میزان سیلاب منطقه است.

کلیدواژه ها:

پیش بینی ، رواناب ، سیل ، شبکه عصبی ، یادگیری عمیق