مروری بر پیش بینی رواناب رودخانه با ترکیب سنجش از دور و یادگیری ماشین

این گزارش مروری به بررسی مطالعات منتشرشده در بازه ۲۰۱۵ تا ۲۰۲۵ درباره پیش بینی رواناب رودخانه با ترکیب داده های سنجش از دور و روش های یادگیری ماشین می پردازد. با توجه به محدودیت شبکه های اندازه گیری زمینی و چالش حوضه های کم آمار، تمرکز اصلی بر نقش داده های ماهواره ای و بازتحلیل به عنوان ورودی مدل ها (به ویژه بارش (مانند IMERG و CHIRPS و ERA۵)، شاخص های برف (مانند NDSI)، و سایر متغیرهای مرتبط با وضعیت سطح زمین) و همچنین ارزیابی عملکرد مدل های داده محور کلاسیک (SVM، GBR، XGBoost و …) در مقایسه با مدل های یادگیری عمیق دنباله ای (LSTM و GRU) است. مقالات مرورشده نشان می دهند که انتخاب الگوریتم به تنهایی تعیین کننده نیست و کیفیت ورودی ها و پیش پردازش آن ها (از جمله تصحیح بایاس بارش ماهواره ای، هم مقیاس سازی زمانی یا مکانی، تعیین تاخیر زمانی مناسب و ساخت ویژگی های فرآیندی مانند «برف موثر در ذوب) نقش کلیدی در افزایش دقت پیش بینی دارد. در بسیاری از پژوهش ها، مدل های LSTM/GRU به سبب توانایی یادگیری وابستگی های زمانی بلندمدت و بازنمایی حافظه حوضه، به ویژه در حوضه های برف گیر و در پیش بینی کوتاه مدت سیلاب، عملکرد رقابتی یا برتر داشته اند؛ در مقابل، در برخی کاربردهای مهندسی و با داده محدود، مدل هایی مانند ELM، GBR و XGBoost نیز نتایج بسیار قابل قبولی ارائه کرده اند. همچنین مرور مطالعات نشان می دهد استفاده مستقیم از محصولات بارش ماهواره ای خام (خصوصا در مقیاس ساعتی) می تواند به افت شدید عملکرد منجر شود و رویکردهای اصلاح (از جمله روش های مبتنی بر یادگیری عمیق) معمولا شبیه سازی رواناب و پیک سیلاب را بهبود می دهند. در پایان، مهم ترین چالش ها شامل عدم قطعیت محصولات سنجش از دور در رخدادهای شدید، ضعف تعمیم پذیری بین حوضه ای و کمبود داده باز گزارش شده و پیشنهادهایی نظیر ادغام چندمنبعه داده، استفاده از اعتبارسنجی های زمانی مناسب، توسعه مدل های ترکیبی و گزارش عدم قطعیت برای بهبود نتایج ارائه می گردد.

کلیدواژه ها:

سنجش از دور ، پیش بینی رواناب ، یادگیری ماشین ، بارش ماهواره ای ، شبکه های حافظه بلند-کوتاه مدت (LSTM)