مدلسازی جریان دوره غالب ذوب برف با استفاده از LSTM و دادههای بازتحلیل ERA5-LAND (مطالعه موردی: حوضه برفگیر بازفت)
صفحه 1-14
https://doi.org/10.22034/iwrj.2026.14932.2634
علی فتاحی نافچی، محمدرضا شریفی، امین خرمیان
چکیده پیشبینی جریان رودخانه در حوضههای برفگیر طی دوره غالب ذوب برف، برای مدیریت منابع آب، دارای اهمیت است. مدل های یادگیری ماشین بعنوان مدل های داده محور، بواسطه آموزش روابط بین ورودیها و خروجیها، قابلیت زیادی برای شبیه سازی روابط پیچیده و غیر خطی دارند. شبکههای عصبی مصنوعی معمولی، بدلیل عدم ذخیره اطلاعات زمانی عوامل ورودی، قابلیت چندانی در مدل سازی سری زمانی فرایند پیچیده متاثر از ذوب برف را ندارند. رویکرد یادگیری عمیق LSTM، تحت عنوان حافظه بلند ترم های کوچک، برخی محدودیت های مدل های یادگیری ماشین را بواسطه خصوصیت ذخیره سازی اطلاعات زمانی، برطرف نموده است. در تحقیق حاضر، مدل LSTM برای مدلسازی جریان روزانه در دوره غالب ذوب برف و با استفاده از داده های بازتحلیل ERA5-LAND در حوضه آبریز برفی بازفت بکارگرفته شد. بر اساس آزمون گاما، بهترین ترکیب متغیرهای ورودی به مدل، شامل دما، آب معادل برف بازتحلیل شده از پایگاه ECMWF و دبی پیشین تعیین شدند. نتایج مدل LSTM با یک لایه پنهان و بهینه ساز Adamax، مقدار NSE وRMSE، بترتیب با ۹۹۴/۰ و 174/0را در مرحله آزمون نشان داد. از اینرو مدل LSTM، بهمراه داده های باز تحلیل، بخوبی قادر به شبیه سازی جریان روزانه در دوره غالب ذوب برف، می باشد.
