مقایسه عملکرد مدل ‌های یادگیری عمیق با شبکه عصبی چند‌جمله ای و مدل hec-hms در پیش‎ بینی رواناب روزانه

تخمین رواناب ناشی از بارش مازاد حوضه آبخیز می‌ تواند کمک شایانی به طراحی دقیق سازه ‌های آبی، مدیریت جامع حوضه‌ های آبخیز و مدیریت سیلاب نماید. لذا در این پژوهش سعی شده است قدرت برآورد روش‌ های یادگیری عمیق در مقایسه با شبکه عصبی چند جمله‌ای و مدل hec-hms در حوضه ‌های آبخیز بار اریه، کسیلیان و لتیان مورد ارزیابی قرار گیرد. برای این منظور رواناب روزانه با استفاده از مدل lstm شبیه‌ سازی و نتایج آن با نتایج مدل های mlp به عنوان رایج ‌ترین مدل هوش مصنوعی، مدل gmdh به عنوان یکی از قوی ‌ترین شبکه ‌های عصبی مصنوعی و مدل hec-hms به عنوان یک مدل فیزیک‌ پایه مقایسه شد. نتایج پژوهش نشان داد ضریب r^2 در مدل‌ های مختلف بازه‌ای بین 0/8715 تا 0/9864، ضریب rmse بازه‌ای از 0/086 تا 2/2165 و ضریب nrmse بازه ای بین 18/88 تا 65/96 را در حوضه‌ های آبخیز مختلف به خود اختصاص داده است. نتایج حاکی از عملکرد متوسط مدل mlp با متوسط nrmse معادل 51/17 درصد، عملکرد مناسب مدل gmdh با متوسط nrmse معادل 44/6 درصد و عملکرد بسیار خوب مدل lstm با متوسط nrmse معادل 26/8 درصد است. با توجه به هزینه محاسباتی بالای lstm در مقایسه با مدل gmdh می‌ توان توصیه کرد که اگر دقت و صحت خیلی بالا از طرف کاربر مورد انتظار نیست از مدل gmdh استفاده شود و در صورت نیاز به صحت بالاتر کاربر می‌ تواند هزینه محاسباتی بالای روش lstm را پذیرفته و از این مدل استفاده نماید. همچنین، اگر فرآیند محاسباتی و مدل سازی سناریو محور مد نظر است مدل hec-hms ارجحیت دارد.

comparing the performance of deep learning, polynomial neural network and hec-hms models in predicting daily runoff

estimating runoff caused by excess rainfall at the watershed scale is necessary for precise design of water structures, comprehensive watershed, and flood management. in this research, we evaluated deep learning methods in comparison to polynomial neural networks and hec-hms models in three watersheds, i.e., bar-erieh, kasilian, and latian. for this purpose, daily runoff was simulated using a long short-term memory (lstm) deep learning model and compared to multi-layer perceptron (mlp) as the most common artificial intelligence model, group method of data handling (gmdh) and hec-hms as a physically based model for robust neural network modeling. the results showed that the r2 ranged from 0.872 to 0.986, rmse from 0.086 m3/s to 2.22 m3/s, and nrmse from 18.9 to 66.0%. the results indicate that the performance of the mlp model is mediocre with an average nrmse of 51.2%, the performance of the gmdh model is good with an average nrmse of 44.6%, and the lstm model is very good with an average nrmse of 26.8%. considering the high computational cost of lstm compared to the gmdh model, it can be recommended that the gmdh model should be used if the user does not expect very high accuracy and precision, and if higher accuracy is required, the user may need to accept a high computational cost and the lstm model. also, if the process and scenario-based modeling are the focus, the hec-hms model is preferred.