ارزیابی کارایی مدل LSTM در پیشبینی جریان روزانه ورودی به مخازن سدها | ||
| تحقیقات آب و خاک ایران | ||
| دوره 55، شماره 10، دی 1403، صفحه 1863-1883 اصل مقاله (2.54 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ijswr.2024.378146.669738 | ||
| نویسندگان | ||
| معصومه زینعلی1؛ امید بزرگ حداد* 1؛ مهدی یاسی2؛ حسین علیزاده3 | ||
| 1گروه مهندسی آبیاری و آبادانی، دانشکدگان کشاورزی و منابع طبیعی دانشگاه تهران، کرج، ایران. | ||
| 2استاد، گروه مهندسی آبیاری و آبادانی، دانشکدگان کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران | ||
| 3گروه آب و محیط زیست، دانشکده مهندسی عمران، دانشگاه علم و صنعت ایران، تهران، ایران | ||
| چکیده | ||
| پیشبینی زمان واقعی جریان روزانه ورودی به مخازن با افق پیشبینی چند گام جلوتر جهت برنامهریزی و مدیریت منابع آب اهمیت زیادی دارد. با وجود مطالعات زیاد پیشبینی جریان با روشهای یادگیری ماشین، مطالعات کمی برای بررسی قابلیتهای پیشبینی طولانی مدت (چند گام جلوتر) این روشها و به دست آوردن بینشی نسبت به مقایسه سامانمند عملکرد پیشبینی مدل در کوتاهمدت انجام شده است. در این پژوهش با استفاده از سامانه استنتاج عصبی-فازی تطبیقی (ANFIS) و شبکه حافظه کوتاه و بلند مدت (LSTM) پیشبینی جریان روزانه ورودی به مخزن سیمره تا ۷ روز آینده انجام شد. برای این کار از دادههای روزانه بارش، دما و جریان ورودی به سیمره از سال ۱۳۹1 تا ۱۳۹۷ جهت انجام مدل سازی استفاده شده است. نتایج نشان داد که در پیشبینی روزانه چند گام جلوتر، عملکرد مدل LSTM بهتر از ANFIS است بهطوریکه بیشینه و کمینه مقدار ضریب نش در افق پیشبینی تا هفت روز آینده به ترتیب برای مدل LSTM برابر 971/0 و 628/0 و برای مدل ANFIS برابر 858/0 و 393/0 میباشد. تنظیم بهینه پارامترهای مربوط به تعداد نرونها در هر لایه، تعداد تکرارها و تعداد دستهها در مدل LSTM، کلیدی برای پتانسیل بالای مدل جهت پیشبینی جریان تا افق پیشبینی هفت روز آینده میباشد. درنهایت عملکرد LSTM جهت پیشبینی جریان ورودی به سیمره در سیلاب 98 ارزیابی و مشخص شد که جریانهای سیلابی را با دقت قابل قبولی تا افق پیشبینی 7 روز آینده، پیشبینی کرده است. این یافتهها نشان میدهد که LSTM میتواند در پیشبینی جریان روزانه مناسب باشد. بنابراین برای کمک به تصمیمگیریهای راهبردی در مدیریت منابع آب بخصوص در شرایط سیلابی می توان از آن بهره گرفت | ||
| کلیدواژهها | ||
| افق پیشبینی بلندمدت؛ پیشبینی جریان روزانه مخزن؛ مدیریت سیلاب؛ یادگیری ماشین | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 1,715 تعداد دریافت فایل اصل مقاله: 933 |
||