مدل رگرسیون مجموعه‌ای LSTM با چند بازه زمانی برای بهبود پیش‌بینی رواناب در کوتاه‌مدت

Abstract

پیش بینی دقیق رواناب رودخانه از ارکان اساسی مدیریت پایدار منابع آب به شمار می رود و نقش مهمی در کاهش مخاطرات طبیعی، پشتیبانی از برنامه ریزی های کشاورزی، و ارتقای راهبردهای کنترل سیلاب ایفا می کند. در این پژوهش، رودخانه آجی چای به عنوان یکی از شاخه های اصلی دریاچه ارومیه در شمال غرب ایران که طی دهه های اخیر با چالش های هیدرولوژیکی متعددی مواجه بوده، مورد بررسی قرار گرفته است. برای پیش بینی رواناب روزانه، یک مدل رگرسیون پیشرفته مبتنی بر شبکه عصبی حافظه بلندمدت کوتاه مدت (LSTM) پیشنهاد شده است. این مدل از پنج زیرمدل LSTM مستقل تشکیل شده که هر یک با گام های زمانی متفاوت بین ۲ تا ۶ روز آموزش دیده اند تا وابستگی های زمانی در مقیاس های مختلف را پوشش دهند. مجموعه داده مورد استفاده شامل ۱۶۰۴ نمونه روزانه در بازه ی زمانی ۲۰۱۰ تا ۲۰۱۸ است و به منظور بهینه سازی عملکرد مدل، پارامترهای کلیدی با بهره گیری از الگوریتم فراابتکاری ازدحام ذرات (PSO) تنظیم شده اند. ارزیابی مدل روی داده های مربوط به سال های ۲۰۱۷ تا ۲۰۱۸ با استفاده از سه شاخص آماری NSE, R²، RMSE و MSE انجام شد که نتایج حاصل از آن بیانگر دقت بالا و توان تعمیم پذیری قابل توجه مدل با دامنه R² بین ۷۴٫۹۵٪ تا ۹۱٫۴۲٪ است.