استفاده از رویکرد یادگیری عمیق به منظور تخمین سیل بر اساس الگوی بارش منطقه

مدیریت آب و آبیاری

حسن احمدی¹  حمیدرضا رحیمی² 

[1] استادیار، دانشگاه آزاد اسلامی، واحد رودهن، تهران، ایران.;دانشجوی دکتری، دانشگاه آزاد اسلامی، واحد رودهن، تهران، ایران.;

关键词: پیش‌بینی;    رواناب;    سیل;    شبکه عصبی;    یادگیری عمیق;   

DOI  :  10.22059/jwim.2022.328451.909

来源: DOAJ

【 摘 要 】

در سال‌های اخیر به دلیل بروز خشکسالی در کشور، مساله مدیریت منابع آب موجود از اهمیت فوق العاده ای برخوردار است و این توجه هرچه بیشتر به مدیریت مخازن وپیش بینی میزان حجم آب به منظور ارایه سیاست‌های مناسب بهره برداری می باشد. از طرف دیگر، بارش های فصلی و بیش از حد، تغییرات شگرفی در بسترسازی رودخانه ها و حوضه های آبریز ایجاد نمود که بررسی مدل های پیش بین را در شرایط وقوع باران های شدید، بیش از پیش مشخص می نماید که علاوه بر جلوگیری از خسارات ناشی از وقوع سیلاب، می توان از آب مازاد جاری شده نیز در جهت مطلوب استفاده نمود. ازاین رو عدم تدوین سیاست مناسب بهره برداری به خصوص در شرایط خشکسالی می‌تواندخسارت‌های زیادی را به بخش‌های مصرف کننده آب وارد کند. پیش بینی مناسب جریان های آب و میزان موجودی های مخزن منجر به استفاده از منحنی‌های فرمان برای استفاده بهینه از سدها و سیستم‌های مخزنی می شود. در این مقاله، با توجه به اهمیت موضوع، از یک مدل مبتنی بر یادگیری عمیق و آزمون تجربی مِن-کندال جهت تخمین میزان سیلاب در منطقه کَن-سولقان استفاده شد. نتایج نشان داد میزان اختلاف پیش بینی سیلاب منطقه به تفکیک ماهیانه برای شبکه عصبی کانولوشن برابر با 0.00654 و برای روش مِن-کندال، 0.19532 می باشد. همچنین میزان خطاهای MSE، RMSE، MAE و MPE برای شبکه عصبی به ترتیب برابر با 0.0019، 0.0439، 0.0239، و 0.0159 بدست آمد که نشان از دقت بالای این روش در تخمین میزان سیلاب منطقه است.

【 授权许可】

Unknown