پیش‌بینی دبی رودخانه با استفاده از روش ترکیبی حافظه طولانی کوتاه مدت، تبدیل موجک و تجزیه مدتجربی در اقلیم نیمه‌خشک و مرطوب

کشور ایران با اقلیمی خشک و نیمه‌خشک با سیل‌های مخرب، خشک‌سالی و کم‌آبی روبرو است. خشک‌سالی و سیلاب‌ها می‌تواند محیط‌زیست، فعالیت‌های اقتصادی و اجتماعی را تحت تاثیر قرار دهد. بنابراین بررسی و پیش‌بینی دبی رودخانه‌ها و برنامه‌ریزی مدیریتی به‌منظور کنترل آن مخصوص مصرف آب در آینده بسیار ارزشمند است. در این پژوهش، تغییرات دبی رودخانه با استفاده از داده‌های آماری از سال 2001 تا 2020 مدل‌سازی شد. داده‌های آماری مربوط به ایستگاه‌های سینوپیک و هیدرومتر یک منطقه نیمه‌خشک در استان آذربایجان غربی شهرستان ارومیه و مرطوب در استان مازندران شهرستان آمل استفاده شد. از دوازده مدل زمانی تعریف‌شده برای شبکه (long short term memory)یا به‌اختصارlstm بهترین مدل مشخص شد. سپس مدل‌سازی lstm بر پایه روش‌های پیش پردازنده تبدیل موجک گسسته(discrete wavelet transform) به‌اختصارdwt و تجزیه مد تجربی کامل (complementary ensemble empirical mode decomposition) به‌اختصار (ceemd) انجام شد. نتایج حاصل نشان داد که مدل‌ منتخب قابلیت و کارایی بالایی در تخمین میزان دبی رودخانه را دارد. از طرفی دیگر روش‌های پیش پردازنده باعث بهبود نتایج شدند. به‌طوری‌که در تبدیل موجک معیار ارزیابی dc مدل برتر در رودخانه نازلو از 0.93 به 0.95 و در رودخانه چالوس از 0.83 به 0.90 افزایش یافت. بهترین حالت ارزیابی برای داده‌های آزمون با استفاده از تبدیل موجک برای رودخانه نازلو در اقلیم نیمه‌خشک با معیارهای ارزیابی 0.977=r و 0.954=dc و 0.018=rmse به دست آمد. همچنین با توجه به نتایج آنالیز حساسیت مشخص شد پارامتر دبی یک روز قبل ، تاثیرگذارترین پارامتر در تخمین دبی روزانه است.

prediction river discharge using the combined method of long short term memory, wavelet transform and empirical mode decomposition in semi arid and humid climate

iran is faced with a dry and semi dry climate with destructive floods, droughts, and water shortages. droughts and floods can affect the environment, economic, and social activities. therefore, examining and predicting river discharge and planning management to control it, especially for future water consumption, is very valuable. in this study, changes in river discharge were modeled using statistical data from 2001 to 2020.statistical data from synoptic and hydrometric stations in a semi arid region in urmia city of west azerbaijan province and a humid region in amol city of mazandaran province were used. out of twelve time series models defined for the long short term memory (lstm) network, the best model was identified. then, lstm modeling was performed based on pre processing methods of discrete wavelet transform (dwt) and complementary ensemble empirical mode decomposition (ceemd). the results showed that the selected model has high ability and efficiency in estimating the amount of river discharge. on the other hand, pre processing methods improved the results such that the dc evaluation criterion in the wavelet transform increased from 0.93 to 0.95 in the nazloo river and from 0.83 to 0.90 in the chalous river. the best evaluation results for test data using wavelet transform for the nazloo river in the semi arid climate with evaluation criteria of r=0.977, dc=0.954, and rmse=0.018 were obtained. furthermore, the results of the sensitivity analysis indicated that the discharge parameter of one day before is the most effective in daily discharge estimation.