ارزیابی کارایی مدل LSTM در پیش بینی جریان روزانه ورودی به مخازن سدها

پیش بینی زمان واقعی جریان روزانه ورودی به مخازن با افق پیشبینی چند گام جلوتر جهت برنامه ریزی و مدیریت منابع آب اهمیت زیادی دارد. با وجود مطالعات زیاد پیش بینی جریان با روش های یادگیری ماشین، مطالعات کمی برای بررسی قابلیت های پیش بینی طولانی مدت (چند گام جلوتر) این روش ها و به دست آوردن بینشی نسبت به مقایسه سامان مند عملکرد پیش بینی مدل در کوتاه مدت انجام شده است. در این پژوهش با استفاده از سامانه استنتاج عصبی-فازی تطبیقی (ANFIS) و شبکه حافظه کوتاه و بلند مدت (LSTM) پیش بینی جریان روزانه ورودی به مخزن سیمره تا ۷ روز آینده انجام شد. برای این کار از داده های روزانه بارش، دما و جریان ورودی به سیمره از سال ۱۳۹۱ تا ۱۳۹۷ جهت انجام مدل سازی استفاده شده است. نتایج نشان داد که در پیش بینی روزانه چند گام جلوتر، عملکرد مدل LSTM بهتر از ANFIS است به طوری که بیشینه و کمینه مقدار ضریب نش در افق پیش بینی تا هفت روز آینده به ترتیب برای مدل LSTM برابر ۹۷۱/۰ و ۶۲۸/۰ و برای مدل ANFIS برابر ۸۵۸/۰ و ۳۹۳/۰ می باشد. تنظیم بهینه پارامترهای مربوط به تعداد نرون ها در هر لایه، تعداد تکرارها و تعداد دسته ها در مدل LSTM، کلیدی برای پتانسیل بالای مدل جهت پیش بینی جریان تا افق پیش بینی هفت روز آینده می باشد. درنهایت عملکرد LSTM جهت پیش بینی جریان ورودی به سیمره در سیلاب ۹۸ ارزیابی و مشخص شد که جریان های سیلابی را با دقت قابل قبولی تا افق پیش بینی ۷ روز آینده، پیش بینی کرده است. این یافته ها نشان می دهد که LSTM می تواند در پیش بینی جریان روزانه مناسب باشد. بنابراین برای کمک به تصمیم گیری های راهبردی در مدیریت منابع آب بخصوص در شرایط سیلابی می توان از آن بهره گرفت

کلیدواژه ها:

افق پیش بینی بلندمدت ، پیش بینی جریان روزانه مخزن ، مدیریت سیلاب ، یادگیری ماشین