فهرست نشریات علمی دسترسی آزاد ایران

تخمین رواناب ناشی از بارش مازاد حوضه آبخیز می‌­تواند کمک شایانی به طراحی دقیق سازه­‌های آبی، مدیریت جامع حوضه‌­های آبخیز و مدیریت سیلاب نماید. لذا در این پژوهش سعی شده است قدرت برآورد روش‌­های یادگیری عمیق در مقایسه با شبکه عصبی چند جمله‌ای و مدل HEC-HMS در حوضه­‌های آبخیز بار اریه، کسیلیان و لتیان مورد ارزیابی قرار گیرد. برای این منظور رواناب روزانه با استفاده از مدل LSTM شبیه‌­سازی و نتایج آن با نتایج مدل­های MLP به عنوان رایج­‌ترین مدل هوش مصنوعی، مدل GMDH به عنوان یکی از قوی­‌ترین شبکه­‌های عصبی مصنوعی و مدل HEC-HMS به عنوان یک مدل فیزیک‌­پایه مقایسه شد. نتایج پژوهش نشان داد ضریب R2 در مدل‌­های مختلف بازه‌ای بین 0/8715 تا 0/9864، ضریب RMSE بازه‌ای از 0/086 تا 2/2165 و ضریب NRMSE بازه­ای بین 18/88 تا 65/96 را در حوضه‌­های آبخیز مختلف به خود اختصاص داده است. نتایج حاکی از عملکرد متوسط مدل MLP با متوسط NRMSE معادل 51/17 درصد، عملکرد مناسب مدل GMDH با متوسط NRMSE معادل 44/6 درصد و عملکرد بسیار خوب مدل LSTM با متوسط NRMSE معادل 26/8 درصد است. با توجه به هزینه محاسباتی بالای LSTM در مقایسه با مدل GMDH می‌­توان 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 می‌­تواند هزینه محاسباتی بالای روش LSTM را پذیرفته و از این مدل استفاده نماید. همچنین، اگر فرآیند محاسباتی و مدل­سازی سناریو محور مد نظر است مدل HEC-HMS ارجحیت دارد.