ارزیابی عملکرد مدل حافظه کوتاه مدت-بلندمدت (LSTM) در پیش بینی سطح آب زیرزمینی با استفاده از داده های اقلیمی (مطالعه موردی: محدوده قادرآباد-مادرسلیمان)

پیش بینی دقیق سطح آب زیرزمینی نقش مهمی در مدیریت پایدار منابع آب در مناطق نیمه خشک و دارای داده های محدود ایفا می کند. در این پژوهش، از مدل یادگیری عمیق حافظه کوتاه مدت-بلندمدت (LSTM) برای پیش بینی تراز آب زیرزمینی در محدوده قادرآباد–مادرسلیمان استفاده شده است. مجموعه داده های مورد استفاده شامل متغیرهای اقلیمی موثر نظیر بارش، دما و تبخیر-تعرق بوده که طی سال های ۲۰۰۳ تا ۲۰۱۹ گردآوری شده اند. مدل سازی با بهره گیری از یک ساختار ساده شامل یک لایه LSTM ، یک لایه کاملا متصل و بهینه سازی هایپرپارامترها به کمک الگوریتم بیزین انجام شد. به منظور جلوگیری از بیش برازش، از تکنیک توقف زودهنگام در حین آموزش استفاده گردید. نتایج حاصل، بیانگر عملکرد مطلوب مدل در بازسازی رفتار دینامیکی سطح آب زیرزمینی بوده و شاخص های آماری نظیر ضریب نش-ساتکلیف (NSE = ۰.۹۴)و ضریب تعیین (R² = ۰.۷۸)دقت قابل قبول مدل را نشان می دهند. همچنین خطای RMSE برابر با ۲.۳۲ متر و بایاس نسبی ۳.۸۴ درصد محاسبه شد. این نتایج نشان می دهد که مدل LSTM با وجود ساختار ساده، توانایی بالایی در یادگیری روابط زمانی پیچیده و پیش بینی دقیق سطح آب زیرزمینی در مناطق داده محدود دارد. یافته های این تحقیق می توانند در طراحی سامانه های هشدار سیلاب، مدیریت بهره برداری از آب های زیرزمینی و تصمیم سازی در شرایط کمبود داده، به کار گرفته شوند.

کلیدواژه ها:

آب زیرزمینی ، شبکه عصبی LSTM ، یادگیری عمیق ، پیش بینی سری زمانی