پیش بینی سری زمانی ورودی به سد با روش یادگیری عمیق(مطالعه موردی:سد جیرفت)

شناخت و تحلیل تغییرات زمانی و مکانی بارش،دما ،رواناب و آبدهی سطحی در مباحث مهندسی منابع آب و هیدرولوژی و پیش بینی های بلند مدت برای مدیریت حوضه آبخیز بسیار ضروری است.با توجه به این که این تغییرات یکی از مهمترین چالش ها در بحث هیدرولوژی است، با پیش بینی پارامترهای اقلیمی می توان اقدام های مدیریتی صحیح و راهکارهای مناسب را برای مقابله با پیش بینی در حوضه ارائه داد.هدف از این پژوهش پیش بینی آورد ورودی به سد جیرفت در شرایط مختلف هیدرولوژی می باشد.از اینرو در این مطالعه از روش LSTM به عنوان یک روش آموزش عمیق برای پیش بینی سری زمانی ورودی به سد در محیط برنامه پایتون استفاده شد.نتایج نشان داد مدل زمانی در بهترین حالت خود قرار دارد که نمودار صحت سنجی به نقطه همگرایی رسیده است.مدل اجرا شده پس از سعی و خطای متعدد در دوره ۱۲۹ به نقطه همگرایی رسیده و هیچگونه مشکلی از نظر بیش برازش و کم برازش ندارند و مدل به خوبی اجرا شده است.با توجه به معیارهای ارزیابی مقادیر RMSE ، برای آموزش و آزمون مدل به ترتیب ۰/۷۲ و ۰/۷۸ و مقادیر MAE به ترتیب ۰/۱۰ و ۰/۱۲ می باشد که نشان از عملکرد خوب مدل است.همچنین اعمال تاخیرات زمانی در پیش بینی سری زمانی ورودی سد جیرفت نشان داد تاخیر زمانی ۵ روز نتایح بهتری را ارائه داده است و این موضوع نشان دهنده این است که سیلاب ورودی به سد متاثر از سیلاب های ۵ روز پیش است،که با این نتایج می توان با برنامه ریزی در شرایط مختلف هیدرولوژی و هشدارهای هواشناسی از بروز اتفاقات ناگوار آینده پیشگیری کرده و از خسارات وارده آینده جلوگیری شود.

Keywords:

یادگیری عمیق , LSTM , پیش بینی سری زمانی , شبکه عصبی بازگشتی , منابع آب.