مقایسه عملکرد شبکه عصبی مصنوعی (ANN) و شبکه عصبی بازگشتی (LSTM) در مدلسازی تبخیر-تعرق پتانسیل در حوضه کرخه

تبخیر-تعرق پتانسیل یکی از مهم ترین مولفه های چرخه هیدرولوژیک و عامل کلیدی در مدیریت منابع آب، برنامه ریزی آبیاری، طراحی سامانه های آبیاری و بهره برداری بهینه از مخازن سدها به شمار می رود. تخمین دقیق آن به ویژه در مناطق خشک و نیمه خشک مانند ایران، اهمیت ویژه ای دارد. در این پژوهش از تبخیر-تعرق پتانسیل و دمای متوسط با تاخیر زمانی برای تخمین تبخیر و تعرق پتانسیل در حوضه آبریز کرخه استفاده شده است. بدین منظور از داده های ماهانه این دو متغیر در بازه زمانی ۲۰۲۴-۱۹۹۵ که از پایگاه داده Terra Climate استخراج شده اند، استفاده شد و همبستگی تبخیر-تعرق پتانسیل هر ماه با مقادیر یک تا پنج ماه قبل و همچنین با دمای متوسط همان ماه و یک تا پنج ماه قبل محاسبه گردید. برای مدلسازی این فرآیند نیز از دو رویکرد هوش مصنوعی شامل شبکه عصبی مصنوعی (ANN) و مدل حافظه بلندمدت کوتاه مدت (LSTM) به کار گرفته شد. نتایج نشان داد که بیشترین همبستگی مربوط به سه متغیر تبخیر-تعرق پتانسیل ماه قبل، دمای متوسط همان ماه، دمای متوسط ماه قبل می باشد. همچنین، نتایج نشان داد که هر دو مدل ANN و LSTM توانایی مناسبی در برآورد تبخیر–تعرق پتانسیل دارند، اما مدل LSTM با مقادیر بالاتر ضریب همبستگی (R≈۰.۹۹۶)، شاخص نش–ساتکلیف (NSE≈۰.۹۸۹) و خطای کمتر در مرحله صحت سنجی نسبت به ANN، عملکرد پایدارتر و تعمیم پذیری بهتری ارائه داد. بنابراین استفاده از مدل LSTM در مدلسازی تبخیر–تعرق پتانسیل در حوضه کرخه توصیه می شود.

کلیدواژه ها:

تبخیر تعرق پتانسیل ، شبکه عصبی مصنوعی ، یادگیری ماشین ، LSTM ، Terra Climate