فهرست نشریات علمی دسترسی آزاد ایران

بحران کمبود آب یکی از چالش‌های مهم قرن حاضر است که نیازمند رویکردهای نوین برای مدیریت پایدار منابع آب می‌باشد. پیش‌بینی دقیق رواناب، به عنوان عنصری کلیدی در این مدیریت، نقشی حیاتی در برنامه‌ریزی و تصمیم‌گیری‌های مرتبط ایفا می‌کند. در این پژوهش با هدف بهبود دقت پیش‌بینی رواناب ماهانه در منطقه مشهد، از روش پیش‌پردازش تجزیه مد متغیر VMD برای بهبود کیفیت داده‌ها و از مدل رگرسیون ماشین بردار پشتیبان SVR و شبکه عصبی حافظه طولانی کوتاه مدت LSTM برای مدل‌سازی رابطه بین ورودی‌ها و خروجی استفاده شده‌است. همچنین، الگوریتم بهینه‌ساز نهنگ WOA برای یافتن پارامترهای بهینه مدل‌ها به­کار رفته­است. در این مطالعه، مدل ترکیبی VMD-WOA-SVR-WOA معرفی و کارایی آن در برآورد رواناب با مدل‌های ساده و بهینه‌شده SVR و LSTM با سه سناریو داده ورودی مختلف (نوع و تاخیر زمانی متفاوت) مقایسه شد. داده‌های مورد استفاده شامل داده‌های بارش، دما، تبخیر و دبی با دوره آماری ۵۴ ساله (۱۳۴۷-۱۴۰۱) است. نتایج پژوهش بر اساس معیارهای ضریب نش-ساتکلیف (NSE)، میانگین مطلق خطا (MAE) و ریشه میانگین مربعات خطا (RMSE) نشان می‌دهد که مدل VMD-WOA-SVR-WOA عملکرد بسیار بهتری در برآورد رواناب نسبت به مدل‌های VMD-WOA-LSTM و VMD-WOA-SVR داشته است. برای نمونه، در ایستگاه زشک، این مدل در مرحله آموزش مقادیر NSE، RMSE و MAE را به ترتیب 983/0، 099/0 و 072/0 ارائه داده‌است. همچنین در مرحله آزمون نیز به ترتیب مقادیر 975/0، 083/0 و 124/0 به‌دست آمد که نشان‌دهنده دقت مناسب مدل در برآورد رواناب است. علاوه بر این، در ایستگاه‌های ارداک بند، النگ اسدی و کرتیان مدل ترکیبی علاوه بر دستیابی به دقت بالا (NSE بین 97/0 تا 98/0) از نظر کاهش خطاهای RMSE و MAE نسبت به مدل‌های مبتنی بر SVR و LSTM عملکرد به مراتب بهتری از خود نشان داده است.