گروه نقشه‌برداری، دانشکده مهندسی عمران، دانشگاه صنعتی نوشیروانی بابل، مازندران، ایران.
چکیده: (27 مشاهده)
هدف: هدف این پژوهش ارائه روشی مبتنی بر یادگیری عمیق برای پیش‌بینی کوتاه‌مدت دبی رودخانه گرگان‌رود در ایستگاه آق‌قلا و سنجش توانایی مدل ترنسفورمر در بازتولید روندهای کوتاه‌مدت و شرایط بحرانی است. ضرورت این تحقیق از افزایش فراوانی و شدت رخدادهای سیلابی نشأت می‌گیرد، زیرا این روند، نیاز به ابزارهای پیش‌بینی سریع و دقیق برای پشتیبانی تصمیم‌گیری مدیریت منابع آب و سامانه‌های هشدار را تشدید کرده است. برای پاسخ به این نیاز، شبکه عصبی حافظه طولانی کوتاه‌مدت در نقش مرجع مقایسه‌ای مورد استفاده قرار گرفت تا توانایی روش پیشنهادی سنجیده شود. روش پژوهش: داده‌های روزانه دبی، بارش و تبخیر ورودی مدل در این پژوهش بودند که پس از نرمالسازیو تبدیل به توالی‌های دهروزهوارد مدل شدند. تقسیم‌بندی زمانی به‌طور تقریبی شامل ۱۰ سال برای آموزش، ۱ سال برای آزمایش و ۱ سال برای ارزیابی (شامل رخداد سیلاب) بود تا پایداری مدل در شرایط عادی و بحرانی سنجیده شود. مدل ترنسفورمر با مکانیزم توجهدر شناسایی وابستگی‌های بلندمدت و روابط پیچیده بین متغیرهای ورودی را دارد و پردازش موازی موجب آموزش سریع‌تر و پایدارتر در مسائل سری‌زمانی می‌گردد. هر دو مدل برای پیش‌بینی افق‌های زمانی یک، دو و سه‌روزه آموزش و با معیارهای ریشه میانگین مربعات خطا و پارامتر نش - ساتکلیف ارزیابی شدند. یافته‌ها: در افق یک‌روزه، مدل ترنسفورمر با ریشه میانگین مربعات خطا برابر با 03/0 و ضریب نش-ساتکلیف برابر با 92/0 عملکرد برتری نشان داد. با افزایش افق زمانی پیش‌بینی به دو و سه روز، دقت هر دو مدل کاهش یافت بهطوریکهریشه میانگین مربعات خطا در حدود 064/0 و 068/0 گزارش شد که نشان‌دهنده پیچیدگی و غیرخطی بودن سیستم هیدرولوژیکی است. مقایسه کمی و نموداری نشان می‌دهد ترنسفورمر در بازتولید روند کلی و ردیابی اوج دبی در دوره بحرانی عملکرد مطلوبی دارد. نتیجه‌گیری: نتایج پژوهش نشان می‌دهد که ترنسفورمر به‌عنوان یک ابزار مؤثر برای پیش‌بینی کوتاه‌مدت دبی و پشتیبانی از سامانه‌های هشدار زودهنگام و تصمیم‌گیری مدیریت منابع آب مناسب است. این روش می‌تواند ابزاری کمکی در تصمیم‌گیری برای مدیران منابع آب و سامانه‌های هشدار سریع و برنامه‌ریزان کاهش خطر سیلاب باشد.
