ارزیابی دقت عملکرد مدل های MLP، GMDH و LSTM در شبیه سازی رواناب روزانه

تعیین بزرگی رواناب روزانه ناشی از بارندگی یکی از مهم ترین متغیرهای هیدروژیکی در مدیریت حوزه های آبخیز و و مباحث مرتبط با آب می باشد. لذا در این پژوهش سعی شده است قدرت برآورد روش های یادگیری عمیق در مقایسه با شبکه عصبی چند جمله ای در حوزه های آبخیز بار اریه و لتیان مورد ارزیابی قرار گیرد. لذا رواناب روزانه با استفاده از مدل های LSTM، MLP و GMDH شبیه سازی و نتایج آن با یکدیگر مقایسه شد. حوزه آبخیز بار-اریه در مدل های MLP، GMDHو LSTM به ترتیب (R(۲ برابر با ۰/۸۷۱، ۰/۸۸۱ و ۰/۹۸۰ و RMSE برابر با ۰/۱۷۵، ۰/۱۶۸ و ۰/۰۸۶ و NRMSE برابر با ۶۲/۹۶، ۶۰/۵۵ و ۳۰/۹۷ درصد بوده است. نتایج بیان کننده آن است که مدل LSTMاز بن سایر مدل ها از عملکرد بهتری برخودار بوده است و نتایج قابل قبولی در شبیه سازی رواناب ارائه داده است.

کلیدواژه ها:

کارایی ، مدیریت سیلاب ، هوش مصنوعی ، یادگیری عمیق