بهبود شبیه سازی بارش - رواناب با رویکردی فیزیک آگاه در بازنمایی جریان های حدی

پیش بینی جریان و شبیه سازی رخدادهای حدی در مدل سازی بارش-رواناب، به ویژه در حوضه های فاقد داده های کامل همچنان با عدم قطعیت قابل توجهی همراه است. مدل های مفهومی اگرچه از سازگاری فیزیکی برخوردارند، اما در بازنمایی رفتارهای غیرخطی محدود هستند؛ در مقابل، مدل های داده محور توان یادگیری الگوهای پیچیده را دارند اما فاقد قیود فیزیکی و مستعد خطا در شرایط حدی اند. در این پژوهش یک چارچوب فیزیک آگاه (PiLSTM) مبتنی بر تلفیق مدل SAC-SMA و شبکه LSTM برای بهبود شبیه سازی بارش-رواناب توسعه داده شد. این مدل با بهره گیری از ساختار مفهومی SAC-SMA و افزودن قید همبستگی در تابع هدف تلاش می کند تعادل میان یادگیری داده محور و سازگاری فیزیکی را برقرار کند. مطالعه موردی در حوضه نازلوچای و با استفاده از داده های اقلیمی، هیدرولوژیکی و طیفی در بازه زمانی ۲۰ ساله با مقیاس روزانه انجام شد. برای ارزیابی عملکرد مدل ها مجموعه ای از شاخص های آماری شامل RMSE، R، NSE و KGE در کنار تحلیل رفتار مدل در بخش رخدادهای حدی ۱۰ درصد بالای دبی مورد استفاده قرار گرفت. مقایسه نتایج نشان می دهد که PiLSTM در بازه کل جریان نسبت به هر دو مدل LSTM و SAC-SMA دقت بالاتری ارائه می دهد و به مقدار NSE برابر ۰/۹۰۷ و ۰/۹۰۸ دست یافته است در حالی که این مقادیر برای به ترتیب ۰/۸۸ و ۰/۷۷ گزارش شد. همچنین در شرایط حدی مدل فیزیک آگاه پایداری بیشتری نسبت به LSTM نشان داد و از خطای کمتری در بازنمایی پیک های جریان برخوردار بود. یافته ها بیانگر آن است که ادغام ساختارهای فیزیکی با شبکه های یادگیری عمیق می تواند دقت پیش بینی و قابلیت تعمیم مدل های بارش-رواناب را به ویژه در رخدادهای حدی بهبود دهد.

کلیدواژه ها:

LSTM ، SAC-SMA ، بهینه سازی از تجمع ذرات ، تابع همبستگی پیرسون ، حافظه هیدرولیکی ، مدل سازی داده محور