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

نوع مقاله : مقاله کامل پژوهشی

نویسندگان

1 دانش آموخته دکتری عمران آب دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران و کارشناس منابع آب شرکت آب منطقه ای آذربایجان غربی

2 کارشناس مطالعات آب های سطحی دفتر مطالعات پایه شرکت آب منطقه ای آذربایجان غربی، ارومیه، ایران

3 مدیر مطالعات پایه شرکت آب منطقه ای آذربایجان غربی، ارومیه، ایران

4 کارشناس منابع آب شرکت مهندسی مشاور مهارآب عمران گستر، ایران

10.22034/hws.2026.71426.1043

چکیده

پیش‌بینی جریان رودخانه بر اساس فرآیندها با عدم‌قطعیت‌های قابل‌توجهی در پارامترهای مدل و روش‌های پارامتری‌سازی 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 70 به 30 انجام گرفت. نتایج نشان داد که مدل RF-AO در سناریوی چهارم (SN4) با ترکیب بهینه‌ای از متغیرهای هیدروکلیماتیک، بهترین تعمیم‌پذیری را در فاز آزمون داشته است؛ به‌طوری‌که مقادیر RMSE = 11.931 مترمکعب بر ثانیه، R² = 0.834 و NSE = 88.0٪ را کسب کرد. این مدل نسبت به LSTM-AO و ANN-AO به‌ترتیب حدود 2.3٪ و 36.0٪ بهبود در معیار NSE نشان داد.

کلیدواژه‌ها

موضوعات

دانش آب و هیدرولیک
دوره 36، شماره 1
فروردین 1405
صفحه 83-101

فایل ها

هم رسانی

ارجاع به این مقاله

آمار