پیش بینی جریان ورودی به مخزن سد کارون ۴ با استفاده از روش های داده کاوی؛ مقایسه مدل های ANN، LSTM و RF

پیش بینی جریان ورودی به مخازن سدها به دلیل نقش کلیدی در مدیریت منابع آب و برنامه ریزی پایدار از اهمیت زیادی برخوردار است. با توجه به اینکه پیش بینی دقیق جریان ورودی به مخازن سدها چالش برانگیز است، در این مطالعه عملکرد سه مدل هوش مصنوعی شامل مدل شبکه عصبی مصنوعی (ANN)، مدل حافظه کوتاه مدت (LSTM) و مدل جنگل تصادفی (RF) برای پیش بینی ماهانه جریان ورودی به مخزن سد کارون ۴ ارزیابی شده است. برای این منظور، ۹ مدل مختلف با ترکیب داده های مختلف تعریف شد. شاخص های فصلی، بارش ماهانه حوضه و شاخص های فصلی به عنوان ورودی مدل ها تعریف شد. با افزودن شاخص های فصلی سینوپتیک و کمبودی به داده های بارش و جریان، مدل LSTM بهترین عملکرد را در پیش بینی جریان ماهانه نشان داد. این مدل به دلیل توانایی در یادگیری وابستگی های بلند مدت و شناسایی الگوهای پیچیده، در مقایسه با ANN و RF عملکرد دقیق تری داشت. مدل RF در مقابل، در شرایط مختلف عملکرد مناسبی داشت. در تعمیم پذیری مدل ها، ANN دارای دقت کمتری نسبت به سایر مدل ها بود.

کلیدواژه ها:

پیش بینی جریان کارون ۴ ، داده کاوی ، شبکه عصبی مصنوعی ، حافظه طولانی کوتاه مدت ، جنگل تصادفی