پیش بینی وقوع سیلاب در حوضه آبریز کارون میانی با استفاده از مدل ترکیبی LSTM و داده های ماهواره ای بارش (IMERG) و رطوبت خاک (SMAP)

پیش بینی دقیق سیلاب در مناطق حساس و پرریسک نظیر حوضه آبریز کارون میانی، به عنوان یکی از مهم ترین چالش های مدیریت منابع آب در ایران، از اهمیت ویژه ای برخوردار است. با توجه به نوسانات اقلیمی و افزایش شدت بارش های ناگهانی، توسعه مدل های هوشمند مبتنی بر داده های واقعی، نقش کلیدی در کاهش خسارات جانی و مالی ناشی از سیلاب ایفا می کند. در این پژوهش، با بهره گیری از داده های ماهواره ای بارش (IMERG) و رطوبت خاک (SMAP)، یک مدل ترکیبی یادگیری عمیق بر پایه شبکه های حافظه دار بلندمدت (LSTM) برای پیش بینی جریان سیلاب در ایستگاه هیدرومتری شوشتر واقع در حوضه کارون میانی توسعه داده شده است. داده های بارش، رطوبت خاک، دما و دبی رودخانه طی دوره زمانی ۲۰۱۰ تا ۲۰۲۳ جمع آوری و پردازش شده اند. سپس مدل LSTM برای یادگیری روابط غیرخطی میان این متغیرها آموزش دیده است. جهت ارزیابی عملکرد مدل، از معیارهایی نظیر ضریب همبستگی (R²)، ریشه میانگین مربعات خطا (RMSE) و میانگین قدر مطلق خطا (MAE) استفاده شد. نتایج نشان می دهد مدل پیشنهادی در پیش بینی دبی سیلاب با دقت بالایی عمل کرده است (R²=۰. ۹۳)، که به طور معنی داری از مدل های پایه مانند ANN و SVM بهتر عمل نموده است. علاوه بر آن، با تحلیل فضایی داده ها در محیط GIS و تلفیق اطلاعات مکانی با خروجی مدل، نقشه های ریسک سیلاب برای بازه های زمانی مختلف تولید شد. این نتایج می تواند ابزار تصمیم سازی موثری برای مدیران منابع آب و سازمان های مدیریت بحران در جهت پایش، هشدار سریع و برنامه ریزی زیرساختی باشد. پژوهش حاضر نشان می دهد که تلفیق هوش مصنوعی با داده های سنجش از دور، گامی موثر در جهت توسعه مدل های پیش بینی گر پایدار و قابل اعتماد در سامانه های آب وهوایی پیچیده است.

کلیدواژه ها:

سیلاب ، شبکه LSTM ، داده های ماهواره ای IMERG ، SMAP ، حوضه آبریز کارون میانی ، مدل سازی پیش بینی