مقايسه عملكرد مدل ‌هاي يادگيري عميق با شبكه عصبي چند‌جمله اي و مدل HEC-HMS در پيش‎ بيني رواناب روزانه

تخمين رواناب ناشي از بارش مازاد حوضه آبخيز مي‌ تواند كمك شاياني به طراحي دقيق سازه ‌هاي آبي، مديريت جامع حوضه‌ هاي آبخيز و مديريت سيلاب نمايد. لذا در اين پژوهش سعي شده است قدرت برآورد روش‌ هاي يادگيري عميق در مقايسه با شبكه عصبي چند جمله‌اي و مدل HEC-HMS در حوضه ‌هاي آبخيز بار اريه، كسيليان و لتيان مورد ارزيابي قرار گيرد. براي اين منظور رواناب روزانه با استفاده از مدل LSTM شبيه‌ سازي و نتايج آن با نتايج مدل هاي MLP به عنوان رايج ‌ترين مدل هوش مصنوعي، مدل GMDH به عنوان يكي از قوي ‌ترين شبكه ‌هاي عصبي مصنوعي و مدل HEC-HMS به عنوان يك مدل فيزيك‌ پايه مقايسه شد. نتايج پژوهش نشان داد ضريب R^2 در مدل‌ هاي مختلف بازه‌اي بين 0/8715 تا 0/9864، ضريب RMSE بازه‌اي از 0/086 تا 2/2165 و ضريب NRMSE بازه اي بين 18/88 تا 65/96 را در حوضه‌ هاي آبخيز مختلف به خود اختصاص داده است. نتايج حاكي از عملكرد متوسط مدل MLP با متوسط NRMSE معادل 51/17 درصد، عملكرد مناسب مدل GMDH با متوسط NRMSE معادل 44/6 درصد و عملكرد بسيار خوب مدل LSTM با متوسط NRMSE معادل 26/8 درصد است. با توجه به هزينه محاسباتي بالاي LSTM در مقايسه با مدل GMDH مي‌ توان توصيه كرد كه اگر دقت و صحت خيلي بالا از طرف كاربر مورد انتظار نيست از مدل GMDH استفاده شود و در صورت نياز به صحت بالاتر كاربر مي‌ تواند هزينه محاسباتي بالاي روش LSTM را پذيرفته و از اين مدل استفاده نمايد. همچنين، اگر فرآيند محاسباتي و مدل سازي سناريو محور مد نظر است مدل HEC-HMS ارجحيت دارد.