مدل سازی رواناب روزانه با استفاده از مدل های LSTM و FCMAC

مدل سازی بارش-رواناب یکی از چالش های مهم در مدیریت منابع آب و پیش بینی رواناب سطحی است که تحت تاثیر عواملی مانند ویژگی های زمین شناسی، پوشش گیاهی و تغییرات اقلیمی قرار دارد. در این مطالعه، عملکرد دو مدل هوش مصنوعی پیشرفته یعنی مدل یادگیری عمیق LSTM و کنترل کننده مفصلی مدل مخلوط فازی (FCMAC) برای پیش بینی رواناب روزانه در حوضه رودخانه تلوار در استان کردستان بررسی شده است. داده های مورد استفاده شامل بارش، دما، رطوبت نسبی، سرعت باد دبی رودخانه (API) و شاخص بارش (ADI) برای دو سال مطالعاتی بود. داده ها به سه مجموعه آموزشی (۷۰٪)، آزمون (۲۵٪) و اعتبارسنجی (۵٪) تقسیم شدند. برای پیش بینی رواناب روزانه از شاخص های RMSE، NSE، MARE و ضریب همبستگی استفاده شد. نتایج نشان داد، مدل LSTM به دلیل قدرت یادگیری بالا، وابستگی های بلندمدت و روابط غیرخطی، نتایج قابل قبولی ارائه داد. در پیش بینی رواناب رواناب، FCMAC نیز با محاسبات کمتر و هزینه یادگیری پایین تر، عملکرد مناسبی داشت. بررسی ها نشان داد که مدل ها در این بخش با داده ها نسبت به داده های کلی با خطای بالاتری مواجه هستند. در نهایت، هر دو مدل به دلیل قابلیت های پیچیده در ویژگی های سری زمانی، مدل LSTM برتری نسبی در پیش بینی رواناب داشت.

Keywords:

LSTM , CMAC , پیش بینی رواناب , هوش مصنوعی