مدل سازی جریان دوره غالب ذوب برف با استفاده از LSTM و داده های بازتحلیل ERA۵-LAND (مطالعه موردی: حوضه برفگیر بازفت)

پیش بینی جریان رودخانه در حوضه های برفگیر طی دوره غالب ذوب برف، برای مدیریت منابع آب، دارای اهمیت است. مدل های یادگیری ماشین بعنوان مدل های داده محور، بواسطه آموزش روابط بین ورودی ها و خروجی ها، قابلیت زیادی برای شبیه سازی روابط پیچیده و غیر خطی دارند. شبکه های عصبی مصنوعی معمولی، بدلیل عدم ذخیره اطلاعات زمانی عوامل ورودی، قابلیت چندانی در مدل سازی سری زمانی فرایند پیچیده متاثر از ذوب برف را ندارند. رویکرد یادگیری عمیق LSTM، تحت عنوان حافظه بلند ترم های کوچک، برخی محدودیت های مدل های یادگیری ماشین را بواسطه خصوصیت ذخیره سازی اطلاعات زمانی، برطرف نموده است. در تحقیق حاضر، مدل LSTM برای مدل سازی جریان روزانه در دوره غالب ذوب برف و با استفاده از داده های بازتحلیل ERA۵-LAND در حوضه آبریز برفی بازفت بکارگرفته شد. بر اساس آزمون گاما، بهترین ترکیب متغیرهای ورودی به مدل، شامل دما، آب معادل برف بازتحلیل شده از پایگاه ECMWF و دبی پیشین تعیین شدند. نتایج مدل LSTM با یک لایه پنهان و بهینه ساز Adamax، مقدار NSE وRMSE، بترتیب با ۹۹۴/۰ و ۱۷۴/۰را در مرحله آزمون نشان داد. از اینرو مدل LSTM، بهمراه داده های باز تحلیل، بخوبی قادر به شبیه سازی جریان روزانه در دوره غالب ذوب برف، می باشد.

کلیدواژه ها:

برف ، جریان رودخانه ، LSTM ، ERA۵-LAND ، SWE