مدلسازی بارش-رواناب با استفاده از مدل یادگیر عمیق (مطالعه موردی: حوضه آبریز گالیکش)

شبکه‌های عصبی مصنوعی یکی از روش‌های داده‌کاوی است که توسط پژوهشگران زیادی در حوزه‌های مطالعاتی مختلفی همچون مدلسازی آماری بارشرواناب استفاده می‌شود. جهت بهبود عملکرد این شبکه‌ها، شبکه‌های عصبی یادگیر عمیق توسعه یافته‌اند تا دقت مدلسازی را افزایش دهند. پژوهش حاضر به‌ منظور ارزیابی شبکه‌های یادگیرعمیق در بهبود عملکرد شبکه‌های عصبی‌مصنوعی در حوضه آبریز گالیکش انجام شد تا بر اساس داده‌های بارش و دما با گام‌های تاخیر زمانی 1 تا 5 ماهه، دبی در مقیاس زمانی 1، 3، 6 و 12 ماهه پیش‌بینی شود. نتایج مدل‌سازی بر اساس 70 درصد داده‌ها (آموزش) و 30 درصد داده‌ها (آزمون) نشان داد که در تمامی دوره‌های زمانی، شبکه عصبی یادگیر عمیق باعث بهبود عملکرد شبکه عصبی مصنوعی شده است و بطور متوسط rmse در داده‌های آموزش از 0.68 به 0.65 و درداده‌های آزمون از 0.84 به 0.73 کاهش یافته است و ضریب تعیین نیز بطور متوسط برای داده‌های آموزش از 0.57 به 0.62 و برای داده‌های آزمون از 0.51 به 0.67 افزایش یافته است. از دیگر نتایح این پژوهش نیز می‌توان به تاثیر دما بر افزایش دقت مدلسازی بارش رواناب اشاره کرد.

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

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 12month 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, Rsquare 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 rainfallrunoff modeling.