ارزیابی عملکرد روش های مبتنی بر محاسبات نرم برای پیش بینی روزانه جریان رودخانه با تفکیک زمانی روزانه

پیش بینی دقیق جریان روزانه رودخانه ها در حوزه های مرطوب با رژیم هیدرولوژیکی پویا، از اهمیت بالایی در مدیریت پایدار منابع آب، برنامه ریزی های هیدرولوژیکی و کاهش خطر سیلاب برخوردار است. در سال های اخیر، مدل های مبتنی بر یادگیری ماشین و یادگیری عمیق به دلیل توانایی ذاتی در مدل سازی روابط غیرخطی، ناایستا و چندمتغیره، مورد توجه فزاینده ای در مهندسی آب قرار گرفته اند. با این حال، ارزیابی سیستماتیک و مقایسه ای عملکرد این مدل ها—به ویژه در شرایط حوزه های مرطوب و با دقت زمانی روزانه—هنوز ناکافی است. این شکاف تحقیقاتی، نه تنها درک جامع از مزایا و محدودیت های هر روش را محدود می کند، بلکه قابلیت انتقال، استحکام و اعتمادپذیری مدل ها را در کاربردهای عملیاتی با چالش مواجه می سازد. این مطالعه با هدف پر کردن این شکاف، عملکرد سه مدل پیشرفته—ماشین بردار پشتیبان رگرسیون (SVR)، شبکه عصبی پیچشی (CNN) و شبکه مولد رقابتی (GAN)—را در پیش بینی دبی روزانه رودخانه تجن در استان مازندران (دوره ۱۳۴۸–۱۳۹۷) ارزیابی و مقایسه می کند.داده های روزانه بارش، تبخیر و دبی جریان با تاخیر یک تا سه روزه به عنوان ورودی ها در نظر گرفته شدند. پس از پیش پردازش جامع (شامل همگن سازی، حذف داده های پرت، بازسازی داده های گمشده و نرمال سازی)، پنج سناریوی ورودی بر اساس همبستگی پیرسون طراحی و داده ها به نسبت ۷۰ به ۳۰ برای آموزش و آزمون تقسیم شدند. مدل ها با معیارهای R²، RMSE، PBIAS و KGE ارزیابی و نتایج با نمودارهای پراکندگی، سری زمانی، ویلئون پلات و دیاگرام تیلور نمایش داده شدند. یافته ها نشان داد که SVR در سناریوی پنجم (SN۵)—که شامل تمام متغیرهای ورودی بود—بهترین عملکرد را داشت (R² = ۰.۸۵۰، RMSE = ۵.۶۷۵ m³/s، PBIAS = ۰.۴۷۵٪، KGE = ۰.۸۷۷) و به طور معنی داری از CNN و GAN پیشی گرفت. مدل های یادگیری عمیق تنها در سناریوهای پیچیده عملکرد قابل قبولی داشتند، در حالی که در سناریوهای ساده (بدون دبی های تاخیری) کاملا شکست خوردند (R² < ۰.۰۴). این نتایج برجسته می کند که ساختار ورودی—به ویژه وجود دبی های تاخیری—بر عملکرد مدل تاثیری چندمراتبی تر از پیچیدگی الگوریتمی دارد. در نتیجه، این پژوهش گواهی بر این اصل هیدروانفورماتیکی است که در شرایط داده های محدود و تحت استرس های اقلیمی، انتخاب مدل باید بر اساس تطبیق با ماهیت هیدرولوژیکی داده ها صورت گیرد، نه صرفا بر پایه نوآوری الگوریتمی—یافته ای که پیامدهای مستقیمی بر طراحی سامانه های پیش بینی عملیاتی و حکمرانی آبی در مناطق آسیب پذیر دارد.

کلیدواژه ها:

پیش بینی رودخانه ، محاسبات نرم ، یادگیری عمیق ، ضریب پیرسون ، حوضه تجن