مدلسازی بارش-رواناب با استفاده از مدل یادگیر عمیق (مطالعه موردی: حوضه آبریز گالیکش)

شبکه های عصبی مصنوعی یکی از روش های داده کاوی است که توسط پژوهشگران زیادی در حوزه های مطالعاتی مختلفی همچون مدلسازی آماری بارش-رواناب استفاده می شود. جهت بهبود عملکرد این شبکه ها، شبکه های عصبی یادگیر عمیق توسعه یافته اند تا دقت مدلسازی را افزایش دهند. پژوهش حاضر به منظور ارزیابی شبکه های یادگیرعمیق در بهبود عملکرد شبکه های عصبی مصنوعی در حوضه آبریز گالیکش انجام شد تا بر اساس داده های بارش و دما با گام های تاخیر زمانی 1 تا 5 ماهه، دبی در مقیاس زمانی 1، 3، 6 و 12 ماهه پیش بینی شود. نتایج مدل سازی بر اساس 70 درصد داده ها (آموزش) و 30 درصد داده ها (آزمون) نشان داد که در تمامی دوره های زمانی، شبکه عصبی یادگیر عمیق باعث بهبود عملکرد شبکه عصبی مصنوعی شده است و بطور متوسط RMSE در داده های آموزش از 68/0 به 65/0 و درداده های آزمون از 84/0 به 73/0 کاهش یافته است و ضریب تعیین نیز بطور متوسط برای داده های آموزش از 57/0 به 62/0 و برای داده های آزمون از 51/0 به 67/0 افزایش یافته است. از دیگر نتایح این پژوهش نیز می توان به تاثیر دما بر افزایش دقت مدلسازی بارش- رواناب اشاره کرد.