مقایسه عملکرد مدل های یادگیری عمیق با شبکه عصبی چند جمله ای و مدل HEC-HMS در پیش‎ بینی رواناب روزانه

تخمین رواناب ناشی از بارش مازاد حوزه آبخیز می تواند کمک شایانی به طراحی دقیق سازه های آبی، مدیریت جامع حوزه های آبخیز و مدیریت سیلاب نماید. لذا در این پژوهش سعی شده است قدرت برآورد روش های یادگیری عمیق در مقایسه با شبکه عصبی چند جمله ای و مدل HEC-HMS در حوزه های آبخیز بار اریه، کسیلیان و لتیان مورد ارزیابی قرار گیرد. برای این منظور رواناب روزانه با استفاده از مدل LSTM شبیه سازی و نتایج آن با نتایج مدل های MLP به عنوان رایج ترین مدل هوش مصنوعی، مدل GMDH به عنوان یکی از قوی ترین شبکه های عصبی مصنوعی و مدل HEC-HMS به عنوان یک مدل فیزیک پایه مقایسه شد. نتایج پژوهش نشان داد ضریب R2 در مدل های مختلف بازه ای بین 8715/0 تا 9864/0، ضریب RMSE بازه ای از 086/0 تا 2165/2 و ضریب NRMSE بازه ای بین 88/18 تا 96/65 را در حوزه های آبخیز مختلف به خود اختصاص داده است. نتایج حاکی از عملکرد متوسط مدل MLP با متوسط NRMSE معادل 17/51 درصد، عملکرد مناسب مدل GMDH با متوسط NRMSE معادل 6/44 درصد و عملکرد بسیار خوب مدل LSTM با متوسط NRMSE معادل 8/26 درصد می باشد. با توجه به هزینه محاسباتی بالای LSTM در مقایسه با مدل GMDH می توان توصیه کرد که اگر دقت و صحت خیلی بالا از طرف کاربر مورد انتظار نیست از مدل GMDH استفاده شود و در صورت نیاز به صحت بالاتر کاربر می تواند هزینه محاسباتی بالای روش LSTM را پذیرفته و از این مدل استفاده نماید. همچنین اگر فرآیند محاسباتی و مدل سازی سناریو محور مد نظر است مدل HEC-HMS ارجحیت دارد.