فهرست نشریات علمی دسترسی آزاد ایران

در دهه‌های اخیر محققان برای پیش‌بینی سیل از روش‌های مختلفی از جمله شبکه‌های عصبی مصنوعی استفاده کرده‌اند. این شبکه‌ها چندین زیرمجموعه دارد. حافظه بلندمدت کوتاه‌مدت (LSTM) یک نسخه بهبود یافته از شبکه عصبی بازگشتی (RNN) است. یادگیری وابستگی‌های طولانی‌مدت برای شبکه‌های عصبی بازگشتی سنتی دشوار است. مدل LSTM با معرفی یک سلول حافظه که می‌تواند اطلاعات را برای مدت طولانی نگهداری کند، این مشکل را برطرف می‌کند. این شبکه‌ به عنوان یک روش کارآمد جهت پیش‌بینی سیل معرفی شده است. در این تحقیق مقادیر دبی متوسط ایستگاه‌های هیدرومتری باغستان و طزرجان و مقادیر بارش ایستگاه ده‌بالا در حوزه‌ی فخرآباد استان یزد در دوره ۱۳۷۰ تا ۱۳۹۸ مورد استفاده قرار گرفته است. در دوره آماری مورد مطالعه مقادیر مجموع بارش و دبی متوسط دارای روند کاهشی ملایم بودند. به منظور بررسی کارآیی مدل‌ LSTM در پیش‌بینی دبی، معیارهای ضریب تعیین (R2) و جذر میانگین مربعات خطا (RMSE) بین مقادیر دبی مشاهداتی و دبی پیش‌بینی شده توسط مدل LSTM در ایستگاه‌های باغستان و طزرجان در مقیاس روزانه و سری زمانی سه ماهه محاسبه شدند. نتایج نشان داد در بین مدل‌های مورد استفاده، مدل LSTM به کار رفته برای پیش‌بینی دبی روزانه ایستگاه طزرجان با R2 و RMSE به ترتیب ۷8/۰ و 43/0 از عملکرد بالاتری برخوردار است. به طور کلی نتایج نشان داد با توجه به پراکنش نامنظم بارش در مناطق خشک، مدل‌های LSTM در پیش‌بینی سیلاب در مناطق خشک دارای عملکرد نسبتا قابل قبولی می‌باشند.