پیشینه و اهداف: سیلاب ها، هر ساله موجب بروز خسارات قابل توجهی در سراسر جهان منجر می شوند. پیش بینی به موقع و دقیق آن ها می تواند میزان خسارات جانی و مالی را به طور چشم گیری به حداقل برساند. در سال های اخیر، مدل های یادگیری ماشین متعددی به منظور پیش بینی سیل مورد استفاده قرار گرفته اند؛ به طوری که نتایج آن ها حاکی از عملکرد بهتر این مدل ها نسبت به مدل های آماری کلاسیک می باشد. با این حال، این مدل ها ویژگی های مکانی که منجر به ایجاد و تقویت سیلاب ها می شوند، مدنظر قرار نمی دهند. با استفاده از مدل حافظه طولانی کوتاه مدت پیچشی (ConvLSTM)، پیش بینی سری های زمانی با ویژگی های مکانی و اطلاعات هیدرولوژی ترکیب می گردد. بدین ترتیب، الگویی جدید از ترکیب عوارض مکانی و پیش بینی سری های زمانی با هدف استخراج خصوصیات زمانی- مکانی طراحی شده است تا چالش اصلی در پیش بینی سیل، یعنی ترکیب داده های مکانی با داده های هیدرولوژی را تا حد امکان حل کند.روش ها : برای تحلیل جامع خصوصیات زمانی- مکانی بارش، ویژگی های مکانی را با تحلیل های سری زمانی ادغام کردیم. به همین منظور از مدل ConvLSTM استفاده گردید که ورودی های آن شامل طول جغرافیایی، عرض جغرافیایی، ارتفاع، بارش، دبی و سایر اطلاعات ایستگاه های اندازه گیری است. ConvLSTM یک مدل پردازشی سری های زمانی است که ویژگی های مکانی را استخراج می کند. برای دستیابی به پیش بینی مکانی-زمانی، از ConvLSTM به عنوان یک بلوک پایه استفاده گردید تا بتوان با طراحی یک شبکه متراکم، ویژگی ها را لایه به لایه استخراج کرد تا پس از نگاشت آن ها، عمل پیش بینی انجام شود. در مرحله شبیه سازی، اندازه بچ و تعداد اپک ها به ترتیب ۶۴ و ۳۰ انتخاب شد. همچنین، از یک شبکه پیچشی سه لایه با تعداد هسته های ۱، ۸ و ۳۲ و تعداد عصب های ۲۰، ۴۰ و ۸۰ در هر لایه به عنوان مدل نهایی استفاده گردید.یافته ها: با تحلیل نتایج، مشخص شد که دقت پیش بینی با افزایش زمان بهتدریج کاهش می یابد. با این حال، هنگامی که زمان پیش بینی ۱۰ ساعت پیش از رخداد سیلاب باشد، دقت پیش بینی از زمان های دیگر کمتر است. علت این است که هنگامی که زمان پیش بینی افزایش یابد، میزان اطلاعات دقیق کمتر خواهد بود که منجر به حصول دقت کمتر در یادگیری مدل و در نتیجه کاهش دقت پیش بینی می شود. برای حل این مساله باید عمق شبکه افزایش یابد که این امر موجب افزایش زمان مدل سازی می گردد که نشان از اهمیت مصالحه میان دقت مورد انتظار و زمان پردازش است.نتیجه گیری: ارزیابی نتایج، نشان داد که مدل ConvLSTM قادر است نتایج پیش بینی قابل قبولی، به ویژه در زمآن های کوتاه مدت، ارائه دهد و این مدل یک ابزار مناسب برای پیش بینی های سری زمانی است. با وجود این که مدل ConvLSTM، عملکرد قابل ملاحظه ای برای پیش بینی های کوتاه مدت به دست آورد اما هنوز هم برخی محدودیت ها از جمله پیش بینی بلند مدت سیلاب بر پایه داده های سری زمانی وجود دارد. از جمله محدودیت های دیگر، می توان به پیچیدگی و وابستگی مدل ConvLSTM به تعداد نمونه های آموزشی اشاره کرد که به تبع آن مدل سازی دقیق تر نیازمند جمع آوری داده های بیشتر است. بدین ترتیب، در مناطقی که تعداد نمونه ها برای مدل سازی کافی نباشد، ممکن است دقت مدل پیش بینی تحت تاثیر قرار بگیرد.