فهرست نشریات علمی دسترسی آزاد ایران

مقدمهپیش‌بینی دقیق جریان رودخانه برای مدیریت آب و کنترل سیلاب ضروری است. به‌دلیل رفتار پیچیده و غیرخطی جریان، مدل‌های سنتی کارایی لازم را ندارند. الگوریتم‌های یادگیری ماشین و یادگیری عمیق راه‌حل‌های پیشرفته‌تری ارائه می‌دهند، اما دقت آن‌ها تحت تأثیر نوسانات ناگهانی اقلیمی قرار می‌گیرد. از این رو، برای بهبود پیش‌بینی، به‌کارگیری روش‌های ترکیبی ضروری است. مرور پیشینه نشان می‌دهد که با وجود توانمندی بالای مدل‌های یادگیری ماشین، همچنان شکاف تحقیقاتی در زمینه مدیریت نوسانات چندمقیاسی در داده‌های جریان رودخانه وجود دارد. این موضوع، ضرورت به‌کارگیری روش‌های ترکیبی را برای افزایش دقت پیش‌بینی آشکار می‌سازد. نوآوری این پژوهش در ارائه یک چارچوب ترکیبی است که با ادغام تحلیل موجک برای تجزیه سیگنال جریان و یک مدل یادگیری عمیق قدرتمند، به طور همزمان الگوهای بلندمدت و نوسانات کوتاه‌مدت را مدل‌سازی می‌کند. مواد و روش‌‌ها در این پژوهش، به‌منظور پیش‌بینی جریان رودخانه کورکورسر نوشهر، از داده‌های هیدرولوژیکی شامل بارش روزانه و دبی جریان رودخانه در بازه زمانی ۲۰ ساله و سطح روزانه استفاده شد. متغیرهای ورودی شامل بارش روزانه (Pt) و دبی جریان با تاخیرهای زمانی یک، دو و سه‌ روزه (Qt-1, Qt-2, Qt-3) بودند. پیش از انجام فرایند مدل‌سازی، پیش‌پردازش داده‌ها شامل بازسازی داده‌های گمشده، حذف داده‌های پرت (خارج از محدوده نرمال) و نرمال‌سازی مقادیر به‌منظور بهبود کیفیت داده‌ها و افزایش قابلیت اعتماد آن‌ها در تحلیل‌های هیدرولوژیکی انجام پذیرفت. در این پژوهش، داده‌های حاصل از پایش جریان هیدرولوژیکی حوزه آبخیز به سه زیرمجموعه‌ آموزش (۷۰ درصد)، اعتبارسنجی (۱۵ درصد) و آزمون (۱۵ درصد) تفکیک شد. چهار سناریوی پیش‌بینی جریان بر اساس تحلیل ضریب همبستگی پیرسون به‌منظور شناسایی متغیرهای حساس و تعیین ورودی‌های مدل‌ها انتخاب شدند. فرایند مدل‌سازی جریان رودخانه با بهره‌گیری از دو الگوریتم یادگیری ماشین شامل جنگل تصادفی (RF) و شبکه عصبی بازگشتی یادگیری عمیق حافظه طولانی کوتاه مدت (LSTM) انجام شد. همچنین، به‌منظور افزایش دقت و بهبود قابلیت تعمیم‌پذیری مدل‌ها، روش‌های تبدیل موجکی متنوعی ازجمله موجک دابشیز نوع ۴ (Dabchiz 4)، موجک هار (Haar) و موجک کلاه مکزیکی (Mexican Hat) جهت استخراج ویژگی‌های چندمقیاسی و ترکیب آن‌ها با داده‌های ورودی مدل‌های RF و LSTM مورد استفاده قرار گرفتند. این رویکرد ترکیبی امکان شناسایی الگوهای زمانی-فضایی پیچیده در سری‌های زمانی هیدرولوژیکی را تسهیل نمود. پس از اتمام فرایند ارزیابی نهایی عملکرد مدل‌های پیش‌بینی، به‌منظور بهینه‌سازی ضرایب و فراسنجه‌های ساختاری آن‌ها، تبدیل موجک دابشیز نوع 4 (Db4) به کار گرفته شد. شاخص‌های ارزیابی عملکرد شامل ضریب تعیین (R²)، میانگین قدر مطلق خطا (MAE)، ریشه میانگین مربعات خطا (RMSE)، درصد نااریبی (PBIAS)، میانگین درصد قدر مطلق خطا (MAPE) و ضریب بهره‌وری کلینگ-گوپتا (KGE) جهت سنجش دقیق بودن پیش‌بینی‌های مدل‌ها به‌کاربرده شدند. درنهایت، انتخاب بهینه‌ترین مدل‌ها بر اساس تحلیل مقایسه‌ای این معیارهای کمی انجام گرفت. همچنین، به‌منظور تجزیه ‌و تحلیل داده‌ها و ارائه بصری نتایج، از نمودارهای پراکندگی، سری‌های زمانی داده‌های مشاهده‌شده و پیش‌بینی‌شده، توزیع خطاها ازجمله هیستوگرام خطا، منحنی چگالی نرمال، تابع توزیع تجمعی خطا و نمودارهای چندک-چندک استفاده شد. نتایج و بحثنتایج نشان داد که در پیش‌بینی جریان رودخانه، گام‌های قبلی (تأخیرهای مختلف) مهم‌ترین متغیر در پیش‌بینی جریان تمام افق‌های بعدی است. نتایج نهایی در خصوص سناریوهای مدل نشان داد که سناریوی اول (S1) که فقط از متغیر بارش (Qt) استفاده می‌نماید، در تمامی حالات به‌عنوان ضعیف‌ترین عملکرد در پیش‌بینی انتخاب شد. همچنین سناریوی ششم (S6) که از تمامی متغیرهای موجود بهره می‌برد (Pt، Qt-1، Qt-2، Qt-3) دارای بهترین عملکرد در مرحله آموزش و آزمون برای مدل‌های منفرد و ترکیبی بوده است. یافته‌های پژوهش نشان داد که مدل ترکیبی جنگل تصادفی-موجک (RF-Wavelet) در دو حالت آموزش (R2=0.907، RMSE=0.0192) و آزمون (R2=0.942، RMSE=0.0106) دارای بهترین عملکرد بوده است. همچنین مدل منفرد یادگیری عمیق حافظه طولانی کوتاه مدت (LSTM) دارای ضعیف‌ترین عملکرد در مرحله آموزش (R2=0.499، RMSE=1.6) و آزمون (R2=0.579، RMSE=1.149) بوده است. همچنین یافته‌ها نشان داد که مدل موجک دابشیز 4 توانسته است با ترکیب با مدل جنگل تصادفی حدود 55 درصد خطای مدل منفرد RF را کاهش دهد. همچنین مدل موجک در ترکیب با مدل LSTM توانسته است حدود 39 دقت پیش‌بینی را افزایش دهد. همچنین مقایسه مدل‌های ترکیبی ترکیب شده با موجک نشان داد که مدل RF-Wavelet حدود 23 درصد نسبت به مدل ترکیبی LSTM-Wavelet خطای مدل را کاهش دهد.     نتیجه‌‌گیری در این پژوهش، از مدل‌های مختلف تبدیل موجک شامل موجک دابشیز ۴، موجک هار و موجک کلاه مکزیکی برای تلفیق با الگوریتم‌های یادگیری ماشین RF و شبکه‌های LSTM بهره‌برداری شده است. تحلیل‌های کمی و کیفی نشان داد که تبدیل موجک دابشیز ۴ در بهبود دقت پیش‌بینی جریان رودخانه نسبت به سایر انواع موجک‌ها در هر دو چارچوب مدل RF و LSTM برتری معنی‌داری داشته است. ازاین‌رو، این نوع تبدیل موجک به‌عنوان مبنای اصلی برای ادغام با این دو مدل پیش‌بینی انتخاب و مورد استفاده قرارگرفته است. بررسی الگوی توزیع خطا در داده‌های آموزش نشان‌دهنده تمرکز عمده مقادیر خطا در نواحی مجاور صفر است. توزیع خطاها تقریباً به‌صورت تقارن دوطرفه مشاهده‌شده و سازگاری قابل‌توجهی با توزیع نرمال از خود نشان داده است. این الگو بیانگر دقت مطلوب مدل در فرایند آموزش و برازش داده‌ها است. درنهایت، مطالعه مذکور به توسعه مدل‌های مبتنی برداده به‌منظور تعیین بهینه‌ترین ترکیب متغیرهای پیش‌بینی‌کننده برای مدل‌سازی و پیش‌بینی جریان رودخانه متمرکز شد. این پژوهش به‌طور دقیقی نشان داد که ادغام تبدیل موجک دابشیز ۴ با مدل جنگل تصادفی RF به‌عنوان رویکرد بهینه و برتر در پیش‌بینی جریان‌های هیدرولوژیکی در مورد مطالعه حاضر عمل کرده است. مدل ترکیبی مذکور، علاوه بر ارتقاء قابل‌توجه عملکرد نسبت به مدل‌های تک‌محوری، با کاهش خطای پیش‌بینی تا حدود ۵۵ درصد، برتری شاخصی نسبت به مدل‌های پیچیده یادگیری عمیق، ازجمله LSTM و ترکیبات ترکیبی مرتبط نشان داده است. این دستاورد، اهمیت استخراج ویژگی‌های چندمقیاسی و زمانی-فرکانسی با استفاده از تبدیل موجک را برجسته می‌سازد و بر نقش محوری آن در بهبود دقت و قابلیت تعمیم پیش‌بینی جریان‌های هیدرولوژیکی، حتی در مقایسه با معماری‌های پیشرفته مدل‌های زمانی تأکید می‌کند.