ادغام داده هاي سنجش‌ازدوري و هواشناسي جهت پيش بيني زماني سيلاب با استفاده از الگوريتم يادگيري عميق

پيش‌بيني دقيق سيلاب نيازي اساسي جهت كاهش خطرات آن مي‌باشد ولي به دليل ساختار پيچيده سيلاب و جريان رودخانه، عملا پيش بيني دقيق طغيان و تخليه رودخانه مسأله اي دشوار است. شبكه هاي عصبي مصنوعي مانند شبكه هاي عصبي مكرر، عملكرد بسيار خوبي در داده هاي سري زماني دارند. در سال هاي اخير استفاده از شبكه هاي حافظه طولاني كوتاه مدت به دليل رفع معايب شبكه هاي عصبي مكرر توجه زيادي را به خود جلب كرده است. در اين مطالعه سعي بر پيش بيني دبي روزانه ايستگاه آق قلا در استان گلستان تا سه روز آينده، با استفاده از شبكه حافظه طولاني كوتاه مدت شده است. اين شبكه به دليل ساختار ويژه و توانايي يادگيري وابستگي هاي طولاني مدت، جهت پيش بيني هاي سري زماني بسيار مناسب مي باشد. از طرفي شبكه ي مورد نظر شبكه اي پايدار و شامل حداكثر پارامتر هاي پيش فرض بوده كه اين امر نشان گر قابليت استفاده از آن براي ديگر مناطق مي باشد. همچنين اين الگوريتم، توانايي استفاده از توپوگرافي و داده هاي دبي ساير ايستگاه هاي منطقه را دارد. جهت پيش بيني دبي در ايستگاه هدف چندين تركيب داده؛ داده هاي دبي ايستگاه آق قلا به صورت تنها و به همراهِ ايستگاه هاي بالادست آن، مدل ارتفاعي شهرستان آق قلا و استان گلستان، به عنوان ورودي شبكه استفاده شده اند. در ادامه يافته هاي مطالعه حاضر با شبكه هاي رگرسيون ساده، رگرسيون ماشين بردار پشتيبان و شبكه عصبي مكرر ساده مقايسه گرديد. نتايج حاكي از برتريِ شبكه حافظه طولاني كوتاه مدت، با مقادير پارامتر نش ساتكليف بالاي 91%، نسبت به ساير شبكه ها مي باشد. در مطالعات بعدي سعي بر استفاده از ساير داده هاي تاثيرگذار بر وقوع سيلاب و همچنين توسعه شبكه مورد استفاده به شبكه اي كاملا خودكار مي باشد.