استفاده از رویکرد یادگیری عمیق به منظور تخمین سیل بر اساس الگوی بارش منطقه

در سال‌های اخیر به دلیل بروز خشکسالی در کشور، مساله مدیریت منابع آب موجود از اهمیت فوق العاده ای برخوردار است و این توجه هرچه بیشتر به مدیریت مخازن وپیش بینی میزان حجم آب به منظور ارایه سیاست‌های مناسب بهره برداری می باشد. از طرف دیگر، بارش های فصلی و بیش از حد، تغییرات شگرفی در بسترسازی رودخانه ها و حوضه های آبریز ایجاد نمود که بررسی مدل های پیش بین را در شرایط وقوع باران های شدید، بیش از پیش مشخص می نماید که علاوه بر جلوگیری از خسارات ناشی از وقوع سیلاب، می توان از آب مازاد جاری شده نیز در جهت مطلوب استفاده نمود. ازاین رو عدم تدوین سیاست مناسب بهره برداری به خصوص در شرایط خشکسالی می‌تواندخسارت‌های زیادی را به بخش‌های مصرف کننده آب وارد کند. پیش بینی مناسب جریان های آب و میزان موجودی های مخزن منجر به استفاده از منحنی‌های فرمان برای استفاده بهینه از سدها و سیستم‌های مخزنی می شود. در این مقاله، با توجه به اهمیت موضوع، از یک مدل مبتنی بر یادگیری عمیق و آزمون تجربی مِنکندال جهت تخمین میزان سیلاب در منطقه کَنسولقان استفاده شد. نتایج نشان داد میزان اختلاف پیش بینی سیلاب منطقه به تفکیک ماهیانه برای شبکه عصبی کانولوشن برابر با 0.00654 و برای روش مِنکندال، 0.19532 می باشد. همچنین میزان خطاهای mse، rmse، mae و mpe برای شبکه عصبی به ترتیب برابر با 0.0019، 0.0439، 0.0239، و 0.0159 بدست آمد که نشان از دقت بالای این روش در تخمین میزان سیلاب منطقه است.

Using a deep learning approach to estimate floods based on area precipitation pattern

In recent years, due to drought in the country, the issue of management of available water resources is extremely important, and this attention is increasingly to the management of reservoirs and forecasting the volume of water in order to provide appropriate exploitation policies. On the other hand, seasonal and excessive rainfall caused dramatic changes in the bedding of rivers and catchments, which examines the forecasting models in the event of heavy rains, which in addition to preventing damage in addition to preventing damage. Due to the occurrence of floods, surplus water can also be used in the desired direction. Therefore, not developing a proper operation policy, especially in drought conditions, can cause a lot of damage to waterconsuming sectors. Proper forecasting of water flows and reservoir inventories leads to the use of control curves for the optimal use of dams and reservoir systems. In this paper, due to the importance of the subject, a model based on deep learning and MannKendall experimental test was used to estimate the flood rate in the KanSulqan area. The results showed that the monthly difference in flood forecast for the convolution neural network is 0.00654 and for the MenKendall method is 0.19532. Also, the error rates of MSE, RMSE, MAE and MPE for the neural network were equal to 0.0019, 0.0439, 0.0239, and 0.0159, respectively, which shows the high accuracy of this method in estimating the flood rate in the region.