ارزیابی کارایی شبکه عصبی حافظه طولانی کوتاه مدت در پیش بینی سیلاب

پدیده سیل یکی از خطرناک ترین بلایای طبیعی است که می تواند خسارات جبران ناپذیری به جوامع انسانی وارد کند. پیش بینی دقیق سیل به منظور کاهش خسارت ها و برنامه ریزی بهتر ضروری است. این مطالعه کاربرد بالقوه شبکه حافظه طولانی کوتاه مدت (LSTM) از نمونه معماری شبکه های عصبی یادگیری عمیق، را برای پیش بینی و نقشه برداری مکانی صریح از احتمال سیل ناگهانی شرح می دهد. این مدل ها بر اساس داده های هیدرولوژیکی و هواشناسی آموزش داده شده و کارایی آنها با استفاده از معیارهای مختلف ارزیابی شده است. به نظر می رسید عملکرد این مدل نتایج قویتری نسبت به مدل های آماری کلاسیک ارائه دهد اما با توجه به نقص و تعدد فراوان داده های ناسازگار در ایران مرکزی که معمولا به پراکندگی مکانی ایستگاه ها و خطاهای اندازه گیری و عدم وجود متادیتا برمیگردد و دسترسی به آنها نیز تا حدی دشوار است، پیش بینی ارائه شده نشان داد که تخمین این مدل در دبی های اوج با چالش مواجه بوده و تمایل دارد دبی های های اوج را با توجه به مقادیر وسیع صفر، بسیار کم تخمین بزند. این موضوع نشان می دهد که هرچند مدل های شبکه عصبی ابزار قدرتمندی برای مدلسازی هیدرولوژیکی هستند ولی بسیار وابسته به داده های دقیق و منظم و همچنین نیازمند به آمارهای با سری های زمانی طولانی مدت هستند اما اگر همین مدل با سری داده های مکانی، از جمله موقعیت ایستگاه ها و توپوگرافی مسیر رودخانه و حتی دیگر ویژگی های مکانی که منجر به ایجاد و تقویت سیلاب می شود، ترکیب گردد قطعا نتایج رضایت بخش تری ارائه خواهد کرد.

کلیدواژه ها:

سیلاب ، پیش بینی ، هوش مصنوعی ، یادگیری عمیق ، شبکه حافظه طولانی کوتاه مدت