مقایسه کارایی شبکه عصبی چند جمله ای با رویکرد یادگیری عمیق در حوزه آبخیز کسیلیان

تخمین رواناب ناشی از بارش مازاد حوزه آبخیز می تواند کمک شایانی به طراحی دقیق سازه های آبی، مدیریت جامع حوزه های آبخیز و مدیریت سیلاب نماید. لذا در این پژوهش سعی شده است قدرت برآورد روش های یادگیری عمیق در مقایسه با شبکه عصبی چند جمله ای در حوزه های آبخیز کسیلیان مورد ارزیابی قرار گیرد. برای این منظور رواناب روزانه با استفاده از مدل LSTM شبیه سازی و نتایج آن با نتایج مدل MLP به عنوان رایج ترین مدل هوش مصنوعی و مدل GMDH به عنوان یکی از قوی ترین شبکه های عصبی مصنوعی مقایسه شد. نتایج پژوهش نشان داد در مدل های MLP، GMDHو LSTM به ترتیب R۲ برابر با ۰/۹۰۴۶، ۰/۹۱۷۲ و ۰/۹۶۰۴ و RMSE برابر با ۰/۱۷۰۴۱، ۰/۱۵۸۱ و ۰/۱۱۴۳ و NRMSE برابر با ۵۱/۹۱، ۴۸/۱۷۶ و ۳۴/۸۲ درصد بوده است. بر این اساس مدل LSTM دارای کم ترین خطا و بیش ترین همبستگی می باشد که برای پیش بینی رواناب در پژوهش های بعدی توضیه می گردد.

کلیدواژه ها:

سیلاب ، صحت سنجی ، مدل سازی ، مدیریت حوزه آبخیز