آب و محیط زیست
سیما احمدی؛ علی نبی زاده
چکیده
پیشینه و اهداف: سیلابها، هر ساله موجب بروز خسارات قابل توجهی در سراسر جهان منجر میشوند. پیشبینی به موقع و دقیق آنها میتواند میزان خسارات جانی و مالی را به طور چشمگیری به حداقل برساند. در سالهای اخیر، مدلهای یادگیری ماشین متعددی بهمنظور پیشبینی سیل مورد استفاده قرار گرفتهاند؛ بهطوری که نتایج آنها حاکی از ...
بیشتر
پیشینه و اهداف: سیلابها، هر ساله موجب بروز خسارات قابل توجهی در سراسر جهان منجر میشوند. پیشبینی به موقع و دقیق آنها میتواند میزان خسارات جانی و مالی را به طور چشمگیری به حداقل برساند. در سالهای اخیر، مدلهای یادگیری ماشین متعددی بهمنظور پیشبینی سیل مورد استفاده قرار گرفتهاند؛ بهطوری که نتایج آنها حاکی از عملکرد بهتر این مدلها نسبت به مدلهای آماری کلاسیک میباشد. با این حال، این مدلها ویژگیهای مکانی که منجر به ایجاد و تقویت سیلابها میشوند، مدنظر قرار نمیدهند. با استفاده از مدل حافظه طولانی کوتاه مدت پیچشی (ConvLSTM)، پیشبینی سریهای زمانی با ویژگیهای مکانی و اطلاعات هیدرولوژی ترکیب میگردد. بدین ترتیب، الگویی جدید از ترکیب عوارض مکانی و پیشبینی سریهای زمانی با هدف استخراج خصوصیات زمانی- مکانی طراحی شده است تا چالش اصلی در پیشبینی سیل، یعنی ترکیب دادههای مکانی با دادههای هیدرولوژی را تا حد امکان حل کند.روشها: برای تحلیل جامع خصوصیات زمانی- مکانی بارش، ویژگیهای مکانی را با تحلیلهای سری زمانی ادغام کردیم. به همین منظور از مدل ConvLSTM استفاده گردید که ورودیهای آن شامل طول جغرافیایی، عرض جغرافیایی، ارتفاع، بارش، دبی و سایر اطلاعات ایستگاههای اندازهگیری است. ConvLSTM یک مدل پردازشی سریهای زمانی است که ویژگیهای مکانی را استخراج میکند. برای دستیابی به پیشبینی مکانی-زمانی، از ConvLSTM به عنوان یک بلوک پایه استفاده گردید تا بتوان با طراحی یک شبکه متراکم، ویژگیها را لایه به لایه استخراج کرد تا پس از نگاشت آنها، عمل پیشبینی انجام شود. در مرحله شبیه سازی، اندازه بچ و تعداد اپکها بهترتیب 64 و 30 انتخاب شد. همچنین، از یک شبکه پیچشی سه لایه با تعداد هستههای 1، 8 و 32 و تعداد عصبهای 20، 40 و 80 در هر لایه به عنوان مدل نهایی استفاده گردید.یافتهها: با تحلیل نتایج، مشخص شد که دقت پیشبینی با افزایش زمان بهتدریج کاهش مییابد. با این حال، هنگامی که زمان پیشبینی 10 ساعت پیش از رخداد سیلاب باشد، دقت پیشبینی از زمانهای دیگر کمتر است. علت این است که هنگامی که زمان پیشبینی افزایش یابد، میزان اطلاعات دقیق کمتر خواهد بود که منجر به حصول دقت کمتر در یادگیری مدل و در نتیجه کاهش دقت پیشبینی میشود. برای حل این مسأله باید عمق شبکه افزایش یابد که این امر موجب افزایش زمان مدلسازی میگردد که نشان از اهمیت مصالحه میان دقت مورد انتظار و زمان پردازش است.نتیجهگیری: ارزیابی نتایج، نشان داد که مدل ConvLSTM قادر است نتایج پیشبینی قابل قبولی، بهویژه در زمآنهای کوتاه مدت، ارائه دهد و این مدل یک ابزار مناسب برای پیشبینیهای سری زمانی است. با وجود اینکه مدل ConvLSTM، عملکرد قابل ملاحظهای برای پیشبینیهای کوتاه مدت بهدست آورد اما هنوز هم برخی محدودیتها از جمله پیشبینی بلند مدت سیلاب بر پایه دادههای سری زمانی وجود دارد. از جمله محدودیتهای دیگر، میتوان به پیچیدگی و وابستگی مدل ConvLSTM به تعداد نمونههای آموزشی اشاره کرد که به تبع آن مدلسازی دقیقتر نیازمند جمعآوری دادههای بیشتر است. بدین ترتیب، در مناطقی که تعداد نمونهها برای مدلسازی کافی نباشد، ممکن است دقت مدل پیشبینی تحت تأثیر قرار بگیرد.