ارزیابی عملکرد روش‌های مبتنی بر محاسبات نرم برای پیش‌بینی روزانه جریان رودخانه با تفکیک زمانی روزانه

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دکتری عمران آب واحد علوم و تحقیقات تهران، کارشناس منابع آب شرکت آب منطقه ای آذربایجان غربی، ایران

2 دکتری مهندسی عمران، مهندسی و مدیریت منابع آب، مشاور مدیرعامل، شرکت مهندسی آب و فاضلاب آذربایجان‌غربی، ارومیه، ایران

3 دانشجو دکتری گروه مهندسی منابع طبیعی، مدیریت حوزه های آبخیز، دانشکده کشاورزی و منابع طبیعی، دانشگاه هرمزگان، ایران

4 دانشجوی کارشناسی ارشد رشته علوم ومهندسی آبخیزداری، گرایش مدیریت حوزه های آبخیز، دانشکده منابع طبیعی ومحیط زیست، دانشگاه ملایر، ایران

10.22075/ceasr.2025.40107.1063

چکیده

پیش‌بینی دقیق جریان روزانه رودخانه‌ها در حوزه‌های مرطوب با رژیم هیدرولوژیکی پویا، از اهمیت بالایی در مدیریت پایدار منابع آب، برنامه‌ریزی‌های هیدرولوژیکی و کاهش خطر سیلاب برخوردار است. در سال‌های اخیر، مدل‌های مبتنی بر یادگیری ماشین و یادگیری عمیق به‌دلیل توانایی ذاتی در مدل‌سازی روابط غیرخطی، ناایستا و چندمتغیره، مورد توجه فزاینده‌ای در مهندسی آب قرار گرفته‌اند. با این حال، ارزیابی سیستماتیک و مقایسه‌ای عملکرد این مدل‌ها—به‌ویژه در شرایط حوزه‌های مرطوب و با دقت زمانی روزانه—هنوز ناکافی است. این شکاف تحقیقاتی، نه‌تنها درک جامع از مزایا و محدودیت‌های هر روش را محدود می‌کند، بلکه قابلیت انتقال، استحکام و اعتمادپذیری مدل‌ها را در کاربردهای عملیاتی با چالش مواجه می‌سازد. این مطالعه با هدف پر کردن این شکاف، عملکرد سه مدل پیشرفته—ماشین بردار پشتیبان رگرسیون (SVR)، شبکه عصبی پیچشی (CNN) و شبکه مولد رقابتی (GAN)—را در پیش‌بینی دبی روزانه رودخانه تجن در استان مازندران (دوره 1348–1397) ارزیابی و مقایسه می‌کند.



داده‌های روزانه بارش، تبخیر و دبی جریان با تأخیر یک تا سه روزه به‌عنوان ورودی‌ها در نظر گرفته شدند. پس از پیش‌پردازش جامع (شامل همگن‌سازی، حذف داده‌های پرت، بازسازی داده‌های گمشده و نرمال‌سازی)، پنج سناریوی ورودی بر اساس همبستگی پیرسون طراحی و داده‌ها به نسبت 70 به 30 برای آموزش و آزمون تقسیم شدند. مدل‌ها با معیارهای R²، RMSE، PBIAS و KGE ارزیابی و نتایج با نمودارهای پراکندگی، سری زمانی، ویلئون پلات و دیاگرام تیلور نمایش داده شدند. یافته‌ها نشان داد که SVR در سناریوی پنجم (SN5)—که شامل تمام متغیرهای ورودی بود—بهترین عملکرد را داشت (R² = 0.850، RMSE = 5.675 m³/s، PBIAS = 0.475٪، KGE = 0.877) و به‌طور معنی‌داری از CNN و GAN پیشی گرفت. مدل‌های یادگیری عمیق تنها در سناریوهای پیچیده عملکرد قابل‌قبولی داشتند، در حالی که در سناریوهای ساده (بدون دبی‌های تأخیری) کاملاً شکست خوردند (R² < 0.04). این نتایج برجسته می‌کند که ساختار ورودی—به‌ویژه وجود دبی‌های تأخیری—بر عملکرد مدل تأثیری چندمراتبی‌تر از پیچیدگی الگوریتمی دارد. در نتیجه، این پژوهش گواهی بر این اصل هیدروانفورماتیکی است که در شرایط داده‌های محدود و تحت استرس‌های اقلیمی، انتخاب مدل باید بر اساس تطبیق با ماهیت هیدرولوژیکی داده‌ها صورت گیرد، نه صرفاً بر پایه نوآوری الگوریتمی—یافته‌ای که پیامدهای مستقیمی بر طراحی سامانه‌های پیش‌بینی عملیاتی و حکمرانی آبی در مناطق آسیب‌پذیر دارد.

کلیدواژه‌ها

موضوعات

اقلیم و بوم سازگان مناطق خشک و نیمه خشک
دوره 2، شماره 2
اسفند 1403
صفحه 206-226

فایل ها

سابقه مقاله

  • تاریخ دریافت: 28 مهر 1403
  • تاریخ بازنگری: 06 آذر 1403
  • تاریخ پذیرش: 29 اسفند 1403

هم رسانی

ارجاع به این مقاله

آمار