ادغام داده های سنجش‌ازدوری و هواشناسی جهت پیش بینی زمانی سیلاب با استفاده از الگوریتم یادگیری عمیق

پیش‌بینی دقیق سیلاب نیازی اساسی جهت کاهش خطرات آن می‌باشد ولی به دلیل ساختار پیچیده سیلاب و جریان رودخانه، عملا پیش بینی دقیق طغیان و تخلیه رودخانه مساله ای دشوار است. شبکه های عصبی مصنوعی مانند شبکه های عصبی مکرر، عملکرد بسیار خوبی در داده های سری زمانی دارند. در سال های اخیر استفاده از شبکه های حافظه طولانی کوتاه مدت به دلیل رفع معایب شبکه های عصبی مکرر توجه زیادی را به خود جلب کرده است. در این مطالعه سعی بر پیش بینی دبی روزانه ایستگاه آق قلا در استان گلستان تا سه روز آینده، با استفاده از شبکه حافظه طولانی کوتاه مدت شده است. این شبکه به دلیل ساختار ویژه و توانایی یادگیری وابستگی های طولانی مدت، جهت پیش بینی های سری زمانی بسیار مناسب می باشد. از طرفی شبکه ی مورد نظر شبکه ای پایدار و شامل حداکثر پارامتر های پیش فرض بوده که این امر نشان گر قابلیت استفاده از آن برای دیگر مناطق می باشد. همچنین این الگوریتم، توانایی استفاده از توپوگرافی و داده های دبی سایر ایستگاه های منطقه را دارد. جهت پیش بینی دبی در ایستگاه هدف چندین ترکیب داده؛ داده های دبی ایستگاه آق قلا به صورت تنها و به همراهِ ایستگاه های بالادست آن، مدل ارتفاعی شهرستان آق قلا و استان گلستان، به عنوان ورودی شبکه استفاده شده اند. در ادامه یافته های مطالعه حاضر با شبکه های رگرسیون ساده، رگرسیون ماشین بردار پشتیبان و شبکه عصبی مکرر ساده مقایسه گردید. نتایج حاکی از برتریِ شبکه حافظه طولانی کوتاه مدت، با مقادیر پارامتر نش ساتکلیف بالای 91%، نسبت به سایر شبکه ها می باشد. در مطالعات بعدی سعی بر استفاده از سایر داده های تاثیرگذار بر وقوع سیلاب و همچنین توسعه شبکه مورد استفاده به شبکه ای کاملا خودکار می باشد.

integration of remote sensing and meteorological data to predict flooding time using deep learning algorithm

accurate flood forecasting is a vital need to reduce its risks. due to the complicated structure of flood and river flow, it is somehow difficult to solve this problem. artificial neural networks, such as frequent neural networks, offer good performance in time series data. in recent years, the use of long short term memory networks hase attracted much attention due to the faults of frequent neural networks. in this study, it is tried to predict the daily discharge of the aqqala station in golestan provice, for the next three days, using long short term memory network. this network is very suitable for time series predictions, due to its special structure and ability to learn longterm dependencies. on the other hand, the desired network is stable and contains the maximum default parameters, which indicates its usability for other regions. also, this algorithm has the ability to use topography and flow data from other stations in the region. to predict the discharge at the target station, several data combinations; the discharge data of aqqala station alone and together with its upstream stations, the elevation model of aqqala city and golestan province were used as network inputs. the present research outcome was compared with simple regression network, support vector machineregression, and frequent neural network. the results show that long short term memory network is superior to other networks with nashsutcliffe efficiency values above 91%. in future study, authors are going to to use other influential data on flood occurrence as well as network development into fully automated network.