پيش ‌بيني كوتاه‌ مدت خشك ‌سالي هيدرولوژيك با استفاده از روش مبتني بر يادگيري عميق

خشك‎ سالي هيدرولوژيك بر تخصيص آب و توليد برق ‌آبي تأثير مي‌گذارد. از اين‎جهت پيش‎ بيني خشك سالي مي‌تواند به مديريت بهينه منابع آب كمك نمايد. در اين مقاله، خشك سالي هيدرولوژيكي كوتاه‌ مدت بر اساس يادگيري عميق پيش‌بيني شد. براي اين منظور، شاخص استاندارد خشك‎سالي هيدرولوژيك (SHDI) دربازه‌هاي يك، سه و شش ماه محاسبه شد. سپس، سه حالت كلي براي پيش‌بيني SHDI و 36 تركيب ورودي-خروجي استخراج شدند. در مرحله بعد، الگوريتم‌هاي مختلف بهينه‌سازي، ازجمله الگوريتم بهينه‌سازي ملخ، الگوريتم ازدحام نمك، بهينه‌سازي مبتني بر جغرافياي زيستي و بهينه‌سازي ازدحام ذرات تركيب‎شده با ANN براي پيش‌بيني SHDI مورداستفاده قرار گرفتند. در اين تحقيق 70% داده‌ها براي آموزش و 30% براي آزمايش مدل‎ها درنظر گرفته شدند. در نهايت عملكرد شبكه عصبي عميق (DNN) در مقايسه با نتايج مدل‌هاي تركيبي و ANN نشان داد كه مدل‌هاي تركيبي عملكرد بهتري داشته‌اند ولي در مقايسه با يادگيري عميق توانايي آن‎ها كم‎تر است. يادگيري عميق بدون نياز به تعريف تركيب ورودي‎ها، توانست مقدار RMSE را به 0.32 كاهش دهد.