مقایسه عملکرد مدل های XBeach، LightGBM و DBN به منظور پیش بینی سیلاب (مطالعه موردی: حوزه آبخیز طالقان)

چکیده مبسوط مقدمه: در دهه های اخیر، افزایش شدت و فراوانی رخدادهای سیلابی به دلیل تغییرات اقلیمی، رشد شهرنشینی و تخریب اراضی به یکی از چالش های اصلی در مدیریت جامع حوزه­های آبخیز و آبخیزداری شهری تبدیل شده است. وقوع سیلاب های ناگهانی در حوزه های کوهستانی کشور ازجمله حوزه آبخیز طالقان، پیامدهایی نظیر فرسایش خاک، آسیب به زیرساخت ها و تهدید منابع آبی را در پی دارد. در این میان، پیش بینی دقیق دبی سیلاب و رفتار هیدرولوژیکی حوزه های آبخیز، لازمه تصمیم گیری به موقع در سامانه های هشدار سریع و مدیریت ریسک است. در این راستا. پژوهش حاضر با هدف ارزیابی و مقایسه عملکرد سه مدل XBeach،DBN و LightGBM به مظور پیش بینی دبی بیشینه ماهانه سیلاب در حوزه آبخیز طالقان انجام گرفت. موادوروش ها: داده های مورد استفاده شامل سری های زمانی دبی ماهانه ایستگاه های هیدرومتری منطقه طی دوره ۳۰ ساله (۱۴۰۰–۱۳۷۱) بود. برای ارزیابی اثر حافظه زمانی، چهار ترکیب فصلی مختلف طراحی شد که به ترتیب شامل تاخیرهای یک تا چهار فصل (هر فصل سه ماهه) در مدل سازی دبی بودند. داده ها پس از پیش پردازش، استانداردسازی و تفکیک به مجموعه های آموزش (۸۰ درصد) و آزمون (۲۰ درصد) در قالب سه مدل در نرم افزار برنامه نویسیR مورد بررسی قرار گرفتند. مدل فیزیکی XBeach به عنوان پایه فرآیندی تحلیل شد درحالی که مدل DBN با استفاده از ساختار شبکه های بیزین دینامیکی و لایه های پنهان احتمالاتی به منظور بازنمایی وابستگی های زمانی داده ها پیاده سازی گردید. مدل LightGBM نیز به صورت گرادیان تقویتی درختی و با بهینه سازی پارامترهای یادگیری و رشد غیرسطحی درختان طراحی شد. ارزیابی عملکرد مدل ها با استفاده از شاخص های آماری NSE، RMSE، MAE و ضریب همبستگی (R) انجام پذیرفت. نتایج و بحث: نتایج به دست آمده نشان داد که مدل LightGBM در تمامی ایستگاه ها و در تمام ترکیب های زمانی به طور محسوس عملکرد بهتری نسبت به دو مدل دیگر داشته است. این مدل با ثبت مقادیر شاخص نش- ساتکلیف در بازه ۹۰۸/۰ تا ۹۳۱/۰ و ضریب همبستگی بین ۸۹۶/۰ تا ۹۱۸/۰، بالاترین میزان انطباق با داده های مشاهده شده را نشان داد. همچنین مقادیر خطای RMSE برای مدل LightGBM در ایستگاه های مورد مطالعه در بازه ۰۷۹/۰ تا ۱۳۱/۰ قرار داشت که بیان گر دقت بالای مدل در پیش بینی دبی بیشینه ماهانه است. مدل DBN عملکرد خوبی با مقادیر نش-ساتکلیف بین ۸۶۴/۰ تا ۸۹۶/۰ و ضریب همبستگی ۸۱۶/۰ تا ۸۳۲/۰ ارائه داد در حالی که مدل عددی XBeach با ثبت مقادیر نش- ساتکلیف ۸۳۴/۰ تا ۸۶۲/۰ و همبستگی ۸۰۷/۰ تا ۸۲۳/۰ دقت پایین تری نسبت به دو مدل داده محور داشت. با وجود برتری نسبی مدل DBN نسبت به XBeach، اختلاف عملکرد این دو مدل در اغلب ترکیب های زمانی از نظر آماری معنی­دار نبود. علاوه بر این، توانایی مدل LightGBM در بازتولید نوسانات فصلی و روندهای شدید جریان نسبت به سایر مدل ها چشم گیرتر بود. مدل DBNنیز در مقایسه با XBeach عملکرد بهتری داشت اما اختلاف آماری حاصل از معیارهای ارزیابی میان این دو مدل در اکثر ترکیب ها قابل توجه نبود. با توجه به پیچیدگی ساختار شبکه ای، زمان محاسبات بالا و هزینه تنظیم پارامترهای DBN، استفاده از مدل عددی XBeach به عنوان گزینه ای کارآمدتر از نظر اقتصادی و اجرایی توصیه می شود. در مقابل، توانایی LightGBM در ترکیب ویژگی های غیرخطی داده های ورودی و یادگیری الگوهای پیچیده سبب شد تا این مدل به عنوان دقیق ترین و پایدارترین گزینه برای پیش بینی جریان معرفی گردد. نتیجه گیری: بررسی های همبستگی میان داده های مشاهداتی و پیش بینی شده نشان داد که نقاط حاصل از مدل LightGBM بیش ترین تراکم را در امتداد خط همبستگی یک به یک داشته و کم ترین پراکندگی را نشان می دهند در حالی که مدل های XBeach و DBN انحراف بیش تری از خط همبستگی داشتند. این یافته ها با نتایج مطالعات اخیر که کارایی الگوریتم های گرادیان تقویتی در پیش بینی جریان و سیلاب را گزارش کرده اند، مطابقت دارد. در مجموع، یافته های پژوهش حاضر بیان گر آن است که با بهره گیری از مدل های داده محور سبک و سریع مانند LightGBM می توان باعث توسعه سامانه های پیش بینی سیلاب در حوضه های کوهستانی نظیر طالقان شد. دقت بالا، قابلیت به روزرسانی سریع، نیاز محاسباتی پایین و امکان ادغام با داده های سنجش ازدور این مدل را به گزینه ای مناسب برای کاربرد در سامانه های هشدار سریع و مدیریت هوشمند منابع آب تبدیل کرده است. با توجه به پیچیدگی ساختار شبکه ای و هزینه محاسباتی بالاتر DBN، استفاده از مدل XBeach به عنوان گزینه ای اجرایی تر در رتبه دوم پیشنهاد می شود. نوآوری اصلی این پژوهش در ارائه یک مقایسه کمی و سیستماتیک بین مدل های داده محور سبک، یادگیری عمیق و مدل فرآیندی فیزیکی برای پیش بینی دبی بیشینه ماهانه و همچنین تحلیل حساسیت عملکرد آن ها نسبت به طول حافظه زمانی ورودی ها است که منجر به ارائه یک چارچوب تصمیم گیری عملیاتی مبتنی بر دقت و هزینه محاسباتی می شود.

کلیدواژه ها:

سامانه های هشدار سیلاب ، مدل های داده محور ، یادگیری ماشین ، یادگیری عمیق