مرور و ارزیابی روش‌های تحلیل عدم قطعیت مدل‌های هوش مصنوعی در برآورد سیلاب با رویکرد یادگیری عمیق

فراوانی وقوع سیلاب‌های اخیر در کشور و وارد نمودن خسارات سنگین جانی و اقتصادی، اهمیت برآورد دقیق سیلاب‌ها جهت مدیریت و مهار آن‌ها را بیش از پیش آشکار ساخته است. مدل‌های یادگیری عمیق از روش‌های موثر هوش مصنوعی در پیش‌بینی سیلاب‌ هستند اما بعلت ماهیت پیچیده سیلاب‌ها، خطاهای احتمالی داده‌ها و ساختار مدل، اعتبار نتایج آن‌ها همواره بایستی با در نظرگرفتن منابع عدم قطعیت ارزیابی شود. هدف تحقیق حاضر، مروری بر مفاهیم عدم قطعیت، منابع آن در پیش‌بینی سیلاب و مدل‌های یادگیری عمیق، ارزیابی روش‌های به کمیت درآوردن عدم قطعیت و مقایسه عملکرد این مدل‌ها نسبت به سایر روش‌های سنتی هوش مصنوعی و یادگیری ماشین است که بدین منظور، مدل‌های cnn، lstm، gru، روش‌های تحلیل عدم قطعیت mcmc، glue، scem-ua، dream-zs، مزایا و محدودیت‌های هریک و شاخص‌های ارزیابی آن‌ها معرفی شده است. براساس نتایج برخی پژوهش‌ها و با توجه به معیار ارزیابی nse که برای مدل‌های یادگیری عمیق در بازه 85/0 تا 98/0 و برای سایر مدل‌های هوش مصنوعی در بازه 59/0 تا 94/0 بوده است و همچنین برتری مدل lstm با معیار 7%/21=nrmse نسبت به مدل svm با % 6/56=nrmse مشخص گردید که در کل، مدل‌های یادگیری عمیق از دقت بالاتری نسبت به مدل‌های سنتی یادگیری ماشین برخوردارند. همچنین نتایج شاخص‌های ارزیابی تحلیل عدم قطعیت (p-factor در بازه 6%/61 تا %0/97، r-factor در بازه 47/0 تا 8/0 و tuiهای 22/1 و 53/1) بیانگر پوشش مناسب محدوده اطمینان مدل‌های یادگیری عمیق می‌باشد و روش‌های مونت کارلو نسبت به روش glue نتایج بهتری ارائه نموده‌اند.