مرور و ارزيابي روش‌هاي تحليل عدم قطعيت مدل‌هاي هوش مصنوعي در برآورد سيلاب با رويكرد يادگيري عميق

فراواني وقوع سيلاب‌هاي اخير در كشور و وارد نمودن خسارات سنگين جاني و اقتصادي، اهميت برآورد دقيق سيلاب‌ها جهت مديريت و مهار آن‌ها را بيش از پيش آشكار ساخته است. مدل‌هاي يادگيري عميق از روش‌هاي موثر هوش مصنوعي در پيش‌بيني سيلاب‌ هستند اما بعلت ماهيت پيچيده سيلاب‌ها، خطاهاي احتمالي داده‌ها و ساختار مدل، اعتبار نتايج آن‌ها همواره بايستي با در نظرگرفتن منابع عدم قطعيت ارزيابي شود. هدف تحقيق حاضر، مروري بر مفاهيم عدم قطعيت، منابع آن در پيش‌بيني سيلاب و مدل‌هاي يادگيري عميق، ارزيابي روش‌هاي به كميت درآوردن عدم قطعيت و مقايسه عملكرد اين مدل‌ها نسبت به ساير روش‌هاي سنتي هوش مصنوعي و يادگيري ماشين است كه بدين منظور، مدل‌هاي CNN، LSTM، GRU، روش‌هاي تحليل عدم قطعيت MCMC، GLUE، SCEM-UA، DREAM-ZS، مزايا و محدوديت‌هاي هريك و شاخص‌هاي ارزيابي آن‌ها معرفي شده است. براساس نتايج برخي پژوهش‌ها و با توجه به معيار ارزيابي NSE كه براي مدل‌هاي يادگيري عميق در بازه 85/0 تا 98/0 و براي ساير مدل‌هاي هوش مصنوعي در بازه 59/0 تا 94/0 بوده است و همچنين برتري مدل LSTM با معيار 7%/21=NRMSE نسبت به مدل SVM با % 6/56=NRMSE مشخص گرديد كه در كل، مدل‌هاي يادگيري عميق از دقت بالاتري نسبت به مدل‌هاي سنتي يادگيري ماشين برخوردارند. همچنين نتايج شاخص‌هاي ارزيابي تحليل عدم قطعيت (P-factor در بازه 6%/61 تا %0/97، r-factor در بازه 47/0 تا 8/0 و TUIهاي 22/1 و 53/1) بيانگر پوشش مناسب محدوده اطمينان مدل‌هاي يادگيري عميق مي‌باشد و روش‌هاي مونت كارلو نسبت به روش GLUE نتايج بهتري ارائه نموده‌اند.