مدلسازي بارش-رواناب با استفاده از مدل يادگير عميق (مطالعه موردي: حوضه آبريز گاليكش)

Rainfall-Runoff modeling using Deep Learning model (Case Study: Galikesh Watershed)

شبكه‌هاي عصبي مصنوعي يكي از روش‌هاي داده‌كاوي است كه توسط پژوهشگران زيادي در حوزه‌هاي مطالعاتي مختلفي همچون مدلسازي آماري بارش-رواناب استفاده مي‌شود. جهت بهبود عملكرد اين شبكه‌ها، شبكه‌هاي عصبي يادگير عميق توسعه يافته‌اند تا دقت مدلسازي را افزايش دهند. پژوهش حاضر به‌ منظور ارزيابي شبكه‌هاي يادگيرعميق در بهبود عملكرد شبكه‌هاي عصبي‌مصنوعي در حوضه آبريز گاليكش انجام شد تا بر اساس داده‌هاي بارش و دما با گام‌هاي تاخير زماني 1 تا 5 ماهه، دبي در مقياس زماني 1، 3، 6 و 12 ماهه پيش‌بيني شود. نتايج مدل‌سازي بر اساس 70 درصد داده‌ها (آموزش) و 30 درصد داده‌ها (آزمون) نشان داد كه در تمامي دوره‌هاي زماني، شبكه عصبي يادگير عميق باعث بهبود عملكرد شبكه عصبي مصنوعي شده است و بطور متوسط RMSE در داده‌هاي آموزش از 0/68 به 0/65 و درداده‌هاي آزمون از 0/84 به 0/73 كاهش يافته است و ضريب تعيين نيز بطور متوسط براي داده‌هاي آموزش از 0/57 به 0/62 و براي داده‌هاي آزمون از 0/51 به0/67 افزايش يافته است. از ديگر نتايح اين پژوهش نيز مي‌توان به تاثير دما بر افزايش دقت مدلسازي بارش- رواناب اشاره كرد.

Artificial neural networks (ANN) are one of the data mining methods applied by many researchers in different fields of studies such as rainfall runoff modeling. To improve the performance of these networks, deep learning neural networks were developed to increase modeling accuracy. This study evaluated deep learning networks to improve the performance of artificial neural networks in Galikesh watershed and to predict discharge for 1, 3, 6 and 12-month time scale based on 1 to 5 month time scale lags made in precipitation and temperature data. Based on 70% and 30% of the data used for training and test respectively the results demonstrated that in all time steps, the deep learning neural network improved the performance of artificial neural network and on average RMSE decreased in both training and test from 0.68 to 0.65 and 0.84 to 0.73 respectively. Moreover, R-square was increased on average from 0.57 to 0.62 and 0.51 to 0.67 respectively in training and test. We can also denote the effect of temperature on the increase of accuracy of rainfall-runoff modeling.