پژوهش آب ایران

پژوهش آب ایران

پیش‌بینی شاخص خشکسالی با استفاده از مدل همکارانه‌ LSTM (مطالعه موردی: شمال استان اصفهان)

نویسندگان
ملیحه غبرایی 1
ابوالفضل رنجبرفردویی 2
محمد احترام 3
1 گروه مدیریت سرزمین‌های خشک، دانشکده منابع طبیعی و علوم زمین، دانشگاه کاشان
2 گروه علوم مهندسی بیابان دانشکده منابع طبیعی و علوم زمین، دانشگاه کاشان
3 دانشکده مهندسی عمران، دانشگاه سمنان.
10.22034/IWRJ.2025.14963.2637
چکیده
خشکسالی یکی از رخدادهای طبیعی است که اثرات قابل توجهی بر زندگی انسان و اکوسیستم دارد. پیش‌بینی شاخص­های خشکسالی، نظیر شاخص بارش استاندارد شده (SPI) برای ارزیابی این پدیده یک موضوع مهم و کلیدی در مدیریت منابع آب است. مطالعة حاضر با ارائة نسخة جدیدی از مدل حافظة طولانی کوتاه‌مدت (LSTM) تحت عنوان LSTM همکارانه و همچنین توسعة الگوریتم ژنتیک باینری به پیش‌بینی شاخص بارش استاندارد شده می‌پردازد. نخست با استفاده از الگوریتم ژنتیک باینری پارامترهای مدل واسنجی می‌شوند. سپس این الگوریتم بهترین پارامترهای ورودی را از بین سیگنال­های بزرگ مقیاس اقلیمی با تأخیرهای مختلف انتخاب می‌نماید. پس از آن نسخه جدیدی از مدل LSTM ساخته می‌شود که دارای سه اتصال وزنی بیشتر نسبت به مدل LSTM اولیه می‌باشد. این اتصال‌های وزنی، اطلاعات را از حافظة مدل به دریچه‌های مدل انتقال می‌دهند. در مطالعة حاضر، مدل جدید LSTM با مدل­های شبکة عصبی چندلایه (MLP)، شبکة عصبی شعاعی (RBFNN) و رگرسیون چندگانه (MLR) مقایسه شد. نتایج بیانگر آن بود که مدل LSTM همکارانه مقدار شاخص تطابق ویلموت (Willmott) سایر مدل­ها را به میزان 1/2-1/6 درصد، 1/1-1/5 درصد و 1/1-2/5 درصد به‌ترتیب برای پیش­بینی خشکسالی‌های سه‌ماهه، شش‌ماهه و نه‌ماهه بهبود می‌بخشد. مدل LSTM همکارانه مقدار شاخص RMSE سایر مدل‌ها را 2/0درصد برای پیش‌بینی شاخص SPI-3 کاهش داده است.  علاوه بر این، الگوریتم ژنتیک باینری پارامترهای مدل­های پیش‌بینی‌کننده را به طور دقیق تنظیم می‌نماید. مدل LSTM همکارانه همچنین خروجی‌هایی را تولید می‌نماید که عدم قطعیت کمتری نسبت به سایر مدل­های پیش‌بینی کننده دارند
کلیدواژه‌ها
خشکسالی، شاخص خشکسالی، مدل­
های پیش‌بینی کننده، مدل یادگیری عمیق

  • تاریخ دریافت 26 مهر 1403
  • تاریخ پذیرش 20 دی 1403
  • تاریخ انتشار 01 اسفند 1403