پیش بینی دبی رودخانه با استفاده از روش ترکیبی حافظه طولانی- کوتاه مدت، تبدیل موجک و تجزیه مدتجربی در اقلیم نیمه خشک و مرطوب

کشور ایران با اقلیمی خشک و نیمه خشک با سیل های مخرب، خشک سالی و کم آبی روبرو است. خشک سالی و سیلاب ها می تواند محیط زیست، فعالیت های اقتصادی و اجتماعی را تحت تاثیر قرار دهد. بنابراین بررسی و پیش بینی دبی رودخانه ها و برنامه ریزی مدیریتی به منظور کنترل آن مخصوص مصرف آب در آینده بسیار ارزشمند است. در این پژوهش، تغییرات دبی رودخانه با استفاده از داده های آماری از سال ۲۰۰۱ تا ۲۰۲۰ مدل سازی شد. داده های آماری مربوط به ایستگاه های سینوپیک و هیدرومتر یک منطقه نیمه خشک در استان آذربایجان غربی شهرستان ارومیه و مرطوب در استان مازندران شهرستان آمل استفاده شد. از دوازده مدل زمانی تعریف شده برای شبکه (long short-term memory)یا به اختصارLSTM بهترین مدل مشخص شد. سپس مدل سازی LSTM بر پایه روش های پیش پردازنده تبدیل موجک گسسته(Discrete Wavelet Transform) به اختصارDWT و تجزیه مد تجربی کامل (Complementary Ensemble Empirical Mode Decomposition) به اختصار (CEEMD) انجام شد. نتایج حاصل نشان داد که مدل منتخب قابلیت و کارایی بالایی در تخمین میزان دبی رودخانه را دارد. از طرفی دیگر روش های پیش پردازنده باعث بهبود نتایج شدند. به طوری که در تبدیل موجک معیار ارزیابی DC مدل برتر در رودخانه نازلو از ۹۳/۰ به ۹۵/۰ و در رودخانه چالوس از ۸۳/۰ به ۹۰/۰ افزایش یافت. بهترین حالت ارزیابی برای داده های آزمون با استفاده از تبدیل موجک برای رودخانه نازلو در اقلیم نیمه خشک با معیارهای ارزیابی ۹۷۷/۰R= و ۹۵۴/۰DC= و ۰۱۸/۰RMSE= به دست آمد. همچنین با توجه به نتایج آنالیز حساسیت مشخص شد پارامتر دبی یک روز قبل ، تاثیرگذارترین پارامتر در تخمین دبی روزانه است.

کلیدواژه ها:

تبدیل موجک ، تجزیه مد تجربی ، شبکه های عصبی مصنوعی ، یادگیری عمیق ، مدل سازی