فهرست نشریات علمی دسترسی آزاد ایران

پدیده سیل یکی از خطرناک‌ترین بلایای طبیعی است که می‌تواند خسارات جبران‌ناپذیری به جوامع انسانی وارد کند. پیش‌بینی دقیق سیل به منظور کاهش خسارت‌ها و برنامه‌ریزی بهتر ضروری است. این مطالعه کاربرد بالقوه شبکه حافظه طولانی کوتاه‌مدت (LSTM) از نمونه معماری شبکه‌های عصبی یادگیری عمیق، را برای پیش‌بینی و نقشه‌برداری مکانی صریح از احتمال سیل ناگهانی شرح می‌دهد. این مدل‌ها بر اساس داده‌های هیدرولوژیکی و هواشناسی آموزش داده شده و کارایی آنها با استفاده از معیارهای مختلف ارزیابی شده است. به نظر می‌رسید عملکرد این مدل نتایج قویتری نسبت به مدل‌های آماری کلاسیک ارائه دهد اما با توجه به نقص و تعدد فراوان داده های ناسازگار در ایران مرکزی که معمولا به پراکندگی مکانی ایستگاه‌ها و خطاهای اندازه‌گیری و عدم وجود متادیتا برمیگردد و دسترسی به آنها نیز تا حدی دشوار است، پیش بینی ارائه شده نشان داد که تخمین این مدل در دبی های اوج با چالش مواجه بوده و تمایل دارد دبی های های اوج را با توجه به مقادیر وسیع صفر، بسیار کم تخمین بزند. این موضوع نشان می‌دهد که هرچند مدل های شبکه عصبی ابزار قدرتمندی برای مدلسازی هیدرولوژیکی هستند ولی بسیار وابسته به داده های دقیق و منظم و همچنین نیازمند به آمارهای با سری‌های زمانی طولانی مدت هستند اما اگر همین مدل با سری داده‌های مکانی، از جمله موقعیت ایستگاه‌ها و توپوگرافی مسیر رودخانه و حتی دیگر ویژگی های مکانی که منجر به ایجاد و تقویت سیلاب می‌شود، ترکیب گردد قطعا نتایج رضایت بخش‌تری ارائه خواهد کرد.