کمی‌سازی منابع عدم‌قطعیت در پیش بینی جریان رودخانه مبتنی بر مدل‌های شبکه عصبی عمیق | ||
| مدیریت آب و آبیاری | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از 31 شهریور 1405 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/jwim.2026.418277.1323 | ||
| نویسندگان | ||
| امیر موسی خانی1؛ احمد شرافتی* 2؛ امین رضا نشاط2 | ||
| 1گروه مهندسی عمران، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران. | ||
| 2گروه مهندسی عمران، واحد علوم تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران. | ||
| چکیده | ||
| تحولات اقلیمی در دهه‌های اخیر ضمن تغییر الگو و رژیم جریان رودخانه‌ها، باعث افزایش عدم‌قطعیت در رفتار هیدرولوژیکی حوضه‌های آبریز شده و مدل‌های پیش‌بینی جریان رودخانه را با چالش‌های زیادی مواجه کرده است. در این راستا، پژوهش حاضر به توسعه و ارزیابی دو مدل یادگیری عمیق LSTM و TCN برای پیش‌بینی و تخمین عدم‌قطعیت جریان رودخانه در حوضه آبریز شاهرود می‌پردازد. داده‌ها شامل دبی، دما، بارش در ایستگاه لوشان و عمق برف مربوط به کوه شاه‌البرز می‌باشند. در تخمین و تفکیک منابع عدم‌قطعیت از تابع زیان Gaussian Negative Log-Likelihood برای عدم‌قطعیت آلئاتوریک و روش Monte Carlo Dropout برای عدم‌قطعیت اپیستمیک در مدل‌سازی استفاده شده است. در فاز تست، مدل TCN با RMSE، R²، KGE به ترتیب 72/8، 93/0، 94/0 و مدل LSTM با 42/9، 92/0، 93/0 عملکرد خوبی در پیش‌بینی جریان دارند. بررسی توانایی مدل‌ها در شناسایی رخدادهای حدی حاکی از آن است که مدل TCN در آستانه‌های بالای جریان، با FN کمتر، توانایی بیشتری در آشکارسازی سیلاب‌ها را دارد، هر چند این برتری با افزایش FP همراه می‌باشد. نتایج شاخص‌های عدم‌قطعیت PICP و MPIW در مدل LSTM به ترتیب 9055/0 و 0558/15 پوششی نزدیک‌تر به سطح هدف (PI90) ارائه داد و مدل TCN با 9329/0 و 4160/20 پوشش بیشتری نسبت به PI90 ایجاد کرد. در مجموع، برای پیش‌بینی جریان رودخانه TCN عملکرد مناسب‌تری نشان داد و در تخمین عدم‌قطعیت، LSTM نزدیک به کالیبره بود، در حالی که TCN با پوشش بیشتر از PI90 پیش‌بینی محافظه کارانه‌تری ارائه داد که می‌تواند در کاربردهای تصمیم‌گیری حساس به ریسک مزیت داشته باشد. | ||
| کلیدواژه‌ها | ||
| آلئاتوریک؛ اپستمیک؛ رخدادهای حدی؛ مدل یادگیری عمیق | ||
|
آمار تعداد مشاهده مقاله: 100 |
||