پیش بینی روزانه جریان رودخانه سیمینه با استفاده از مدل های یادگیری ماشین و عمیق تقویت شده با مدل بهینه سازی عقاب

پیش بینی جریان رودخانه بر اساس فرآیندها با عدم قطعیت های قابل توجهی در پارامترهای مدل و روش های پارامتری سازی مرتبط با فرآیندهای پیچیده تولید رواناب مواجه است. برای بهینه نمودن ضرایب و هایپرپارمترهای مدل نیز از الگوریتم بهینه سازی ( فرا ابتکاری) عقاب (AO) استفاده گردید. عملیات پیش پردازش داده ها ( از قبیل آزمون همگنی، نرمال سازی داده و حذف داده های پرت و بازسازی اطلاعات مفقوده) قبل از فرایند مدلسازی انجام گرفت. پارامترهای ورودی تحقیق شامل بارش تصحیح شده ( میلی متر بر روز)، دامنه تغیررات دمای دو متری (درجه سانتی گراد)، رطوبت نسبی در ارتفاع دو متری ( درصد)، دامنه تغییرات سرعت باد در ارتفاع ده متری (متر بر ثانیه)، دبی جریان با یک روز تا سه روز تاخیر ( مترمکعب بر ثانیه) و دبی جریان رودخانه ( مترمکعب بر ثانیه) بعنوان خروجی استفاده گردید. برای انتخاب سناریو و ترکیب مدل از ضریب همبستگی پیرسون (PCC) بین متغیرهای ورودی و پارامتر خروجی استفاده گردید و مجموعا از هفت سناریو استفاده گردید. تفکیک و تقسیم بندی داده ها برای فرایند آموزش و آزمون با نسبت ۷۰ به ۳۰ انجام گرفت. نتایج نشان داد که مدل RF-AO در سناریوی چهارم (SN۴) با ترکیب بهینه ای از متغیرهای هیدروکلیماتیک، بهترین تعمیم پذیری را در فاز آزمون داشته است؛ به طوری که مقادیر RMSE = ۱۱.۹۳۱ مترمکعب بر ثانیه، R² = ۰.۸۳۴ و NSE = ۸۸.۰٪ را کسب کرد. این مدل نسبت به LSTM-AO و ANN-AO به ترتیب حدود ۲.۳٪ و ۳۶.۰٪ بهبود در معیار NSE نشان داد.

کلیدواژه ها:

پیش بینی جریان رودخانه ، مدل یادگیری ماشین ، رودخانه سیمینه ، ضریب پیرسون ، الگوریتم عقاب