مدل سازی جریان رودخانه با تاکید بر دوران کم آبی و پرآبی با استفاده از برخی مدل های یادگیری عمیق و یادگیری ماشین (مطالعه موردی: برخی ایستگاه های حوضه کرخه

در این پژوهش به بررسی عملکرد برخی مدل های یادگیری عمیق (LSTM و GRU) و یادگیری ماشین (RF و MLP) برای مدل سازی دبی رودخانه در استان لرستان در ایستگاه های هیدرومتری چولهول افرینه، کشکان افرینه و دره تنگ در دو دوره ی کم آبی و پرآبی پرداخته شده است. برای انجام این تحقیق از داده های ورودی تبخیر، دما و بارش همچنین داده خروجی دبی رودخانه در بازه ی زمانی ۱۰ ساله (۱۳۹۳-۱۳۹۴ تا ۱۴۰۲-۱۴۰۳) استفاده شد. با استفاده از داده های دبی برای هر ایستگاه حد تعیین دوره کم آبی و دوره پرآبی مشخص شد، سپس دبی رودخانه به دو دوره کم آبی و پرآبی تقسیم شد، سپس مدل سازی داده ها (۷۰ درصد داده های آموزش و ۳۰ درصد داده های آزمایش) با استفاده از مدل های ذکر شده در محیط Pythone انجام شد. نتایج نشان داد باتوجه به معیارهای ارزیابی مدل GRU در دوره ی پرآبی و مدل RF در دوره کم آبی نسبت به سایر مدل ها عملکرد بهتری از خود نشان داده اند. با توجه به نتایج بخش آزمایش مدل GRU در دوره پرآبی بهترین نتیجه را به ما داده است که به ترتیب ضریب همبستگی، میانگین خطای مطلق و ریشه میانگین مربعات خطا در ایستگاه چولهول افرینه ۹۵/۰، ۰۶/۰ و ۱۰/۰، هم چنین ایستگاه کشکان افرینه ۵۷/۰، ۱۷/۰ و ۲۴/۰ و در آخر ایستگاه دره تنگ ۹۴/۰، ۰۹/۰ و ۱۳/۰ به دست آمده است. همچنین نتایج بخش آزمایش مدل RF در دوره کم آبی بهترین نتیجه را به ما داده است که به ترتیب ضریب همبستگی، میانگین خطای مطلق و ریشه میانگین مربعات خطا در ایستگاه چولهول افرینه ۷۲/۰، ۲۲/۰ و ۲۳/۰، هم چنین ایستگاه کشکان افرینه ۸۲/۰، ۱۷/۰ و ۲۰/۰ و در آخر ایستگاه دره تنگ ۴۳/۰، ۳۴/۰ و ۳۸/۰ به دست آمده است. لذا با توجه به نتایج به دست آمده از این پژوهش می توان از این مدل های بهینه برای صرفه جویی در هزینه و زمان برای بحث حفاظت آب و خاک و تخمین دبی خروجی از حوزه های آبخیز استفاده کرد. هم چنین می توان برای اجرای مدیریت بهتر در رابطه با کمیت و کیفیت آب های سطحی، این مدل ها برای تخمین دبی ایستگاه های مجاور فاقد آمار دارای شرایط زمین ساختی و هیدرولوژیکی یکسان در سطح منطقه مورد استفاده قرار گیرند و نتایج قابل اعتمادی در رابطه با دبی رودخانه  ارائه دهند.

کلیدواژه ها:

Lorestan Provinc ، Deep Learning ، Machine Learning ، River Discharge ، Random Forest ، استان لرستان ، یادگیری عمیق ، یادگیری ماشین ، دبی رودخانه ، جنگل تصادفی.