پیش‌بینی کوتاه‌مدت خشک‌سالی هیدرولوژیکی با استفاده از روش مبتنی بر یادگیری عمیق

نوری نژاد, عباس; هوشیاری پور, فرهاد; دهقانی, مجید

doi:10.22112/jwwse.2023.381217.1345

پیش‌بینی کوتاه‌مدت خشک‌سالی هیدرولوژیکی با استفاده از روش مبتنی بر یادگیری عمیق

مقالات آماده انتشار

نویسندگان

¹ دانشجوی کارشناسی ارشد، گروه مهندسی عمران منابع آب ، دانشکده‌ عمران و معماری و هنر، واحد علوم تحقیقات، دانشگاه آزاد اسلامی،تهران، ایران

² دانشکده عمران، واحد علوم و تحقیقات، تهران ، دانشگاه آزاد اسلامی،تهران ایران

³ دانشیارگروه مهندسی عمران، دانشکده فنی و مهندسی، ، دانشگاه ولی عصر (عج) رفسنجان،رفسنجان،ایران

10.22112/jwwse.2023.381217.1345

چکیده

خشکسالی هیدرولوژیک بر تخصیص آب و تولید برق‌آبی تأثیر می‌گذارد. از این جهت پیش بینی خشکسالی می‌تواند به مدیریت بهینه منابع آب کمک نماید. در این مقاله، خشکسالی هیدرولوژیکی کوتاه‌مدت بر اساسیادگیری عمیق پیش‌بینی شد. برای این منظور، شاخص استاندارد خشکسالی هیدرولوژیک (SHDI) دربازه‌های یک، سه و شش ماه محاسبه شد. سپس، سه حالت کلی برای پیش‌بینی SHDI و 36 ترکیب ورودی-خروجی استخراج شدند. در مرحله بعد، الگوریتم‌های مختلف بهینه‌سازی، ازجمله الگوریتم بهینه‌سازی ملخ، الگوریتم ازدحام نمک، بهینه‌سازی مبتنی بر جغرافیای زیستی، و بهینه‌سازی ازدحام ذرات ترکیب‎شده با ANN برای پیش‌بینی SHDI مورداستفاده قرار گرفتند. در این تحقیق 70% داده‌ها برای آموزش و 30% برای آزمایش مدل‎ها در نظر گرفته شدند. در نهایت عملکرد شبکه عصبی عمیق (DNN) در مقایسه با نتایج مدل‌های ترکیبی و ANN نشان داد که مدل‌های ترکیبی عملکرد بهتری داشته‌اند ولی در مقایسه با یادگیری عمیق توانایی آنها کم‎تر است. یادگیری عمیق بدون نیاز به تعریف ترکیب ورودی ‎ها، توانست مقدار RMSE را به 32/0 کاهش دهد.

کلیدواژه‌ها