| تعداد نشریات | 285 |
| تعداد نشریات سازمان | 83 |
| تعداد شمارهها | 3,139 |
| تعداد مقالات | 34,918 |
| تعداد مشاهده مقاله | 50,383,489 |
| تعداد دریافت فایل اصل مقاله | 90,276,856 |
مقایسه عملکرد مدلهای خطی و یادگیری عمیق در پیشبینی رواناب ماهانه: مطالعه موردی حوزه آبخیز قرهسو | ||
| مهندسی و مدیریت آبخیز | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 29 دی 1404 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/ijwmse.2026.370888.2132 | ||
| نویسندگان | ||
| نادر جندقی* 1؛ مهدی علی بگلی2 | ||
| 1گروه مرتع و آبخیزداری /دانشکده کشاورزی و منابع طبیعی/ دانشگاه گنبد کاووس | ||
| 2دانشجوی دکتری مهندسی کامپیوتر، دانشگاه آزاد گرگان، ایران | ||
| چکیده | ||
| مقدمه: مدیریت منابع آب در مناطق خشک و نیمهخشک از چالشهای اساسی قرن حاضر است. رشد جمعیت، تغییرات اقلیمی و افزایش تقاضا فشار زیادی بر منابع آب سطحی وارد کرده است. در چنین شرایطی، پیشبینی رواناب ماهانه ابزاری راهبردی برای برنامهریزی سدها، کنترل سیلاب و مدیریت پایدار حوزههای آبخیز محسوب میشود. با این حال، پیچیدگی فرآیندهای هیدرولوژیکی و روابط غیرخطی متغیرهای اقلیمی، این پیشبینی را دشوار کرده است. هدف پژوهش حاضر، بررسی کارایی مدلهای خطی و یادگیری عمیق و معرفی مدلی بهینه برای ارتقای مدیریت منابع آب است. مواد و روشها: در این پژوهش، رواناب ماهانه حوزه آبخیز قرهسو با مساحت 1624 کیلومتر مربع، با استفاده از دادههای سه ایستگاه هیدرومتری پل توسکاستان، نهارخوران و سیاهآب طی یک دوره آماری ۳۶ ساله (1400-1364) مدلسازی و پیشبینی شد. برای این منظور، سه مدل منفرد (SARIMA، BiLSTM و GRU) و دو مدل ترکیبی (BiLSTM-GRU و SARIMA-BiLSTM-GRU) بهکار گرفته شدند تا رواناب ماهانه را برای افق ۱۲ ماه آینده پیشبینی کنند. دقت مدلها با شاخصهای RMSE، MAD و MSE ارزیابی گردید. پیادهسازی مدلها با استفاده از Python و کتابخانههای پرکاربرد از جمله TensorFlow، Keras، numpy، pandas، matplotlib، scipy و sklearn انجام شد. نتایج و بحث: مدل ترکیبی SARIMA-BiLSTM-GRU با تلفیق مؤلفههای خطی و غیرخطی دقیقترین پیشبینی رواناب ماهانه را ارائه داد. مقادیر RMSE این مدل در ایستگاههای پل توسکاستان، نهارخوران و سیاهآب بهترتیب 0295/0، 0173/0 و 1683/0 مترمکعب بر ثانیه برآورد شد. مدل BiLSTM-GRU با RMSE معادل 0326/0، 0226/0 و 3013/0 گزینه دوم بود. در میان مدلهای منفرد، BiLSTM و GRU نتایج مشابه و قابل قبول داشتند، اما مدل خطی SARIMA با RMSE برابر 0851/0، 0230/0 و 3892/0 ضعیفترین عملکرد را نشان داد. به طور میانگین و بر اساس شاخص RMSE، مدل ترکیبی SARIMA-BiLSTM-GRU توانست خطای پیشبینی را بین %66/39 تا %75/56 نسبت به سایر مدلها کاهش دهد. نتیجهگیری: این پژوهش نشان داد که مدلهای ترکیبی خطی و یادگیری عمیق دقت و پایداری پیشبینی رواناب ماهانه را بهطور قابل توجهی بهبود میدهند. در این میان، مدل SARIMA-BiLSTM-GRU با تلفیق مؤلفههای خطی و غیرخطی بهترین عملکرد را ارائه کرد. نتایج بر اهمیت بهکارگیری رویکردهای ترکیبی در مدیریت منابع آب و کنترل سیلاب تأکید دارند. پیشنهاد میشود استفاده از مدلهای پیشرفتهتر و ورودیهای متنوع مانند بارش و دما برای افزایش دقت و قابلیت اعتماد پیشبینیها مدنظر قرار گیرد. | ||
| کلیدواژهها | ||
| پیشبینی هیدرولوژیکی؛ رواناب ماهانه؛ مدیریت منابع آب؛ SARIMA-BiLSTM-GRU؛ مدلهای ترکیبی | ||
| عنوان مقاله [English] | ||
| Comparative Performance of Linear and Deep Learning Models in Monthly Runoff Prediction: A Case Study of the Qarasu Watershed | ||
| نویسندگان [English] | ||
| Nader Jandaghi1؛ Mehdi Alibegli2 | ||
| 1Department of Range and Watershed Management / Faculty of Agricultural sciencesd and Natural Resources / Gonbad Kavous University | ||
| 2PhD student in Computer Engineering, Gorgan Azad University, Iran | ||
| چکیده [English] | ||
| Water resources management in arid and semi-arid regions is one of the fundamental challenges of the present century. In this context, monthly runoff prediction serves as a strategic tool for reservoir planning, flood control, and sustainable watershed management. However, the complexity of hydrological processes and the nonlinear relationships among climatic variables make such predictions challenging. The present study aims to evaluate the performance of linear and deep learning models and to introduce an optimal model for enhancing water resources management. Materials and methods: In this study, monthly runoff in the Qarasu watershed was modeled and predicted using data from three hydrometric stations (Pole-Touskestan, Naharkhoran, and Siyahab) over a common 36-year period. Three single models (SARIMA, BiLSTM, and GRU) and two hybrid models (BiLSTM-GRU and SARIMA-BiLSTM-GRU) were employed to model monthly runoff and forecast values for a 12-month horizon. Model performance was evaluated using RMSE, MAD, and MSE indices. Results and discussion: The hybrid SARIMA-BiLSTM-GRU model, by integrating linear and nonlinear components, provided the most accurate monthly runoff predictions. The RMSE values of this model at the Pole-Touskestan, Naharkhoran, and Siyahab stations were estimated at 0.0295, 0.0173, and 0.1683 m³/s, respectively. The BiLSTM-GRU model ranked second, with RMSE values of 0.0326, 0.0226, and 0.3013 m³/s. Among the individual models, BiLSTM and GRU produced similar and relatively accurate results, while the linear SARIMA model, showed the lowest performance. On average, the SARIMA-BiLSTM-GRU hybrid model reduced prediction errors by 39.66% to 56.75% compared to the other models. Conclusions: This study demonstrated that hybrid models combining linear and deep learning approaches can significantly improve the accuracy and stability of monthly runoff predictions. Among them, the SARIMA-BiLSTM-GRU model provided the best performance by integrating both linear and nonlinear components. | ||
| کلیدواژهها [English] | ||
| Hydrological Forecasting, Monthly Runoff, Water Resources Management, SARIMA-BiLSTM-GRU, Hybrid Models | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 39 |
||