پیش ‌بینی کوتاه‌ مدت خشک ‌سالی هیدرولوژیک با استفاده از روش مبتنی بر یادگیری عمیق

خشک‎ سالی هیدرولوژیک بر تخصیص آب و تولید برق ‌آبی تاثیر می‌گذارد. از این‎جهت پیش‎ بینی خشک سالی می‌تواند به مدیریت بهینه منابع آب کمک نماید. در این مقاله، خشک سالی هیدرولوژیکی کوتاه‌ مدت بر اساس یادگیری عمیق پیش‌بینی شد. برای این منظور، شاخص استاندارد خشک‎سالی هیدرولوژیک (shdi) دربازه‌های یک، سه و شش ماه محاسبه شد. سپس، سه حالت کلی برای پیش‌بینی shdi و 36 ترکیب ورودی-خروجی استخراج شدند. در مرحله بعد، الگوریتم‌های مختلف بهینه‌سازی، ازجمله الگوریتم بهینه‌سازی ملخ، الگوریتم ازدحام نمک، بهینه‌سازی مبتنی بر جغرافیای زیستی و بهینه‌سازی ازدحام ذرات ترکیب‎شده با ann برای پیش‌بینی shdi مورداستفاده قرار گرفتند. در این تحقیق 70% داده‌ها برای آموزش و 30% برای آزمایش مدل‎ها درنظر گرفته شدند. در نهایت عملکرد شبکه عصبی عمیق (dnn) در مقایسه با نتایج مدل‌های ترکیبی و ann نشان داد که مدل‌های ترکیبی عملکرد بهتری داشته‌اند ولی در مقایسه با یادگیری عمیق توانایی آن‎ها کم‎تر است. یادگیری عمیق بدون نیاز به تعریف ترکیب ورودی‎ها، توانست مقدار rmse را به 0.32 کاهش دهد.

short-term prediction of hydrological drought using deep learning-based method

hydrological drought affects water allocation and hydropower generation. therefore, hydrological drought prediction can help for optimal water resources management. in this paper, short-term hydrological drought was predicted using deep learning. doing so, standardized hydrological drought index (shdi) was calculated in one-, three- and six-month periods. then, 36 combinations and three different modes of input variables were considered to predict shdi. in the next step, various optimization algorithms, including grasshopper optimization algorithm, salt swarm algorithm, biogeography-based optimization, and particle swarm optimization combined with ann were used to predict shdi. here, 70% of the data were considered for training and the remaining 30% for test. finally, the performance of deep learning (dnn) compared to the combined ann-ssa, -bbo, -pso and -goa were discussed. the results of ann compared to the combined models showed that the combined models performed better, but they were less campatible to dnn. the dnn on one hand, does not need to define the input combination, and on the other hand could reduce the value of rmse to 0.32.