استفاده از رويكرد يادگيري عميق به منظور تخمين سيل بر اساس الگوي بارش منطقه

در سال‌هاي اخير به دليل بروز خشكسالي در كشور، مساله مديريت منابع آب موجود از اهميت فوق العاده اي برخوردار است و اين توجه هرچه بيشتر به مديريت مخازن وپيش بيني ميزان حجم آب به منظور ارايه سياست‌هاي مناسب بهره برداري مي باشد. از طرف ديگر، بارش هاي فصلي و بيش از حد، تغييرات شگرفي در بسترسازي رودخانه ها و حوضه هاي آبريز ايجاد نمود كه بررسي مدل هاي پيش بين را در شرايط وقوع باران هاي شديد، بيش از پيش مشخص مي نمايد كه علاوه بر جلوگيري از خسارات ناشي از وقوع سيلاب، مي توان از آب مازاد جاري شده نيز در جهت مطلوب استفاده نمود. ازاين رو عدم تدوين سياست مناسب بهره برداري به خصوص در شرايط خشكسالي مي‌تواندخسارت‌هاي زيادي را به بخش‌هاي مصرف كننده آب وارد كند. پيش بيني مناسب جريان هاي آب و ميزان موجودي هاي مخزن منجر به استفاده از منحني‌هاي فرمان براي استفاده بهينه از سدها و سيستم‌هاي مخزني مي شود. در اين مقاله، با توجه به اهميت موضوع، از يك مدل مبتني بر يادگيري عميق و آزمون تجربي مِنكندال جهت تخمين ميزان سيلاب در منطقه كَنسولقان استفاده شد. نتايج نشان داد ميزان اختلاف پيش بيني سيلاب منطقه به تفكيك ماهيانه براي شبكه عصبي كانولوشن برابر با 0.00654 و براي روش مِنكندال، 0.19532 مي باشد. همچنين ميزان خطاهاي MSE، RMSE، MAE و MPE براي شبكه عصبي به ترتيب برابر با 0.0019، 0.0439، 0.0239، و 0.0159 بدست آمد كه نشان از دقت بالاي اين روش در تخمين ميزان سيلاب منطقه است.