کاربرد یادگیری عمیق در پیش بینی سطح آب زیرزمینی تحت شرایط تغییر اقلیم مروری کوتاه و یک مطالعه موردی در توسکانی

هدف این مقاله مرور کوتاه کاربردهای روش های یادگیری عمیق در پیش بینی سطح آب زیرزمینی تحت تاثیر تغییرات اقلیمی و ارائه ی چشم اندازی از نقاط قوت، محدودیت ها و خلاهای پژوهشی است. مروری نظام مند بر ده مطالعه ی منتخب و معتبر در حوزه مدل های CNN، LSTM و ساختارهای ترکیبی انجام شد و نتایج با یک مطالعه ی موردی در شمال توسکانی مشاهدات ۲۰۰۵-۲۰۲۰ و پیش بینی های EURO-CORDEX تحت RCP۴.۵ و RCP۸.۵ مقایسه گردید. تحلیل ها نشان می دهد LSTMها در ضبط وابستگی های زمانی بلندمدت و برون یابی روندها عملکرد مناسبی دارند، در حالی که CNNها در استخراج ویژگی های مکانی، انگاشت های محلی مفیدند اما در برون یابی فراتر از دامنه آموزشی محدودیت نشان می دهند. مهم ترین شکاف ها شامل کمبود داده های مدیریت انسانی، پمپاژ، نگرانی های مربوط به ریز مقیاس نمایی اقلیمی و عدم قطعیت اعلان شده برای پیش بینی بلندمدت است.

کلیدواژه ها:

یادگیری عمیق ، آب زیرزمینی ، پیش بینی ، ریز مقیاس نمایی ، عدم قطعیت