آمار
| تعداد نشریات | 44 |
| تعداد شماره‌ها | 1,323 |
| تعداد مقالات | 16,270 |
| تعداد مشاهده مقاله | 52,954,466 |
| تعداد دریافت فایل اصل مقاله | 15,625,036 |
مقایسه مدل‌های آموزش عمیق در پیش‌بینی جریان رودخانه در غرب کشور و بر روی رودخانه کشکان | ||
| دانش آب و خاک | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 01 دی 1403 | ||
| شناسه دیجیتال (DOI): 10.22034/ws.2024.61110.2557 | ||
| نویسنده | ||
| علی اکبر کرموند* | ||
| گروه مهندسی عمران، دانشکده فنی مهندسی، دانشگاه آزاد اسلامی واحد علوم تحقیقات، تهران، ایران. | ||
| چکیده | ||
| شبیه‌سازی جریان رودخانه به با دقت بالا لازمه علم مدیریت رودخانه می‌باشد. در مواجه با چالش قدیمیِ مدلسازی روزانه جریان رودخانه آموزش عمیق به عنوان ابزاری نوین مطرح شده است. در مطالعه حاضر با تمرکز بر انتخاب سناریوی مناسب از ورودی‌هایِ مدل آموزشِ عمیق، شبیه‌سازی جریان روزانه رودخانه کشکان در چندین نوبت به روش آموزش عمیق LSTM و GRUانجام شده است. پیش از این مدلسازی آموزش عمیق بروش GRU و با استفاده از داده‌های بومی اندازه گیری جریان رودخانه انجام نشده است. منطقه مستعد سیل و کوهستانی بوده و ایستگاه هیدرومتری با سابقه وقوع سیل، واقع برروی رودخانه کشکان انتخاب شده است. با استفاده از 4 رویکرد از روش‌های حذف داده‌های پرت، ورودی به دو مدل LSTM وGRU انتخاب شده و هشت مدل تولید شده است. ورودی‌های ممکنه، عبارت بوده است از میانگین بارش منطقه، شاخص پوشش گیاهی نرمال شده، رطوبت خاک سطحی، جریانات آب زیر زمینی و همچنین خود جریان رودخانه کشکان در ایستگاه هیدرومتری. نتایج نشان داد بهترین عملکرد را به ترتیب، مدل GRU با ورودی‌های اصلاح شده به روش حذف Z-Score، ماهالانوبیس با مقادیر RMSE میانگین و KGE و 41/5 و 99/0 و 23/6 و 7/0در آموزش و 17/8 و79/0و 21/4 و 81/0در اعتبارسنجی و 01/5 و 68/0 و21/7 و 52/0و در مرحله تست می‌باشند. نتایج روش LSTM را در شبیه‌سازی جریان رد نمی‌کند، اما سناریوهای برشمرده شده در روش GRU قدرت بالاتری در تشخیص الگوی پیچیده جریان روزانه رودخانه نشان دادند. | ||
| کلیدواژه‌ها | ||
| آموزش عمیق؛ پیش‌بینی؛ جریان رودخانه؛ حذف داده‌های پرت؛ علم داده | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 146 |
||