بررسی مدل تلفیقی هوشمند MetNet-۲-SwinTransformer به منظور مدل سازی دبی پیک سیلاب (مطالعه موردی: حوزه آبخیز کرج)

پیش بینی جریان های سیلاب، نقشی حیاتی در مدیریت منابع آب در حوزه های آبخیز با پیچیدگی های هیدرولوژیک بالا ایفاء می کند. مدل های هیدرولوژیکی اغلب در بازسازی تعاملات غیرخطی میان تغییرات جوی و پاسخ های پیچیده توپوگرافیک با چالش روبرو هستند. این پژوهش با هدف رفع این محدودیت ها، مدل هیبریدی نوین تحت عنوان MetNet-۲-SwinTransformer پیشنهاد می دهد که بر پایه تلفیق قابلیت های استخراج ویژگی های زمانی مدل MetNet-۲ و مدل سازی سلسله مراتبی مکانی در معماریSwin Transformer بنا شده است. عملکرد این مدل با استفاده از داده های دبی بیشینه ماهانه حوزه آبخیز کرج جهت ارزیابی توانایی آن در بازسازی پویایی های پیچیده جریان و رخدادهای حدی هیدرولوژیک مورد ارزیابی قرار گرفت. عملکرد مدل هیبریدی پیشنهادی با استفاده از شاخص های آماری NSE، R، RMSE و MAE به طور دقیق با مدل های انفرادی MetNet-۲ و Swin Transformer مقایسه شد. نتایج نشان داد که مدل هیبریدی با برتری مطلق بر مدل های پایه، به دقت بسیار بالایی دست یافته و مقادیر NSE و R آن بیش از ۰/۹۵ به ثبت رساند. در حالی که مدل های انفرادی در بازسازی پیک های سیلاب و مدیریت نوسانات شدید جریان به ویژه در ایستگاه های با تغییرپذیری بالای دبی دچار محدودیت های جدی بودند، مدل هیبریدی موفق شد از طریق ایجاد اثر هم افزایی میان ویژگی های زمانی و مکانی، این خطاها را به طور موثری جبران کند. مدل هیبریدی توانست بر پدیده صاف شدگی پیک ها که در مدل های استاندارد ترنسفورمر رایج است، غلبه کرده و منحنی های هیدروگراف سیلاب را با دقت بسیار بالا بازسازی نماید. یافته های این پژوهش تایید می کند که ادغام مکانیزم پنجره های لغزان با پیش بینی های زمانی، مدل را قادر می سازد تا اثرات مکانی کوچک مقیاس و تاثیرات توپوگرافیک پیچیده را با دقت بالا یعنی همبستگی و NS بالای ۰/۹۵ استخراج کند و همچنین مقدار خطا را در ایستگاه های با دبی بیشینه کمتر به زیر ۰/۱ برساند. اگرچه در سایر ایستگاه ها مقدار خطا به نسبت ۳ ایستگاه بیشتر بود اما به دلیل ذات داده های هیدرولوژیکی این امر قابل قبول است. این تحقیق نشان می دهد که رویکرد هیبریدی پیشنهادی، چارچوبی بسیار پایدار و دقیق برای پیش بینی سیلاب در حوضه های پیچیده فراهم می آورد و می تواند مبنای قابل اعتمادی برای توسعه سیستم های هشدار زودهنگام و بهبود فرآیندهای تصمیم گیری در مدیریت منابع آب باشد.

کلیدواژه ها:

پیش بینی سیلاب ، یادگیری عمیق هیبریدی ، ترنسفورمر ، بازسازی هیدروگراف