ارزیابی کارایی مدل‌ LSTM در پیش‌بینی جریان روزانه ورودی به مخازن سدها

مقالات آماده انتشار

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه مهندسی آبیاری و آبادانی، دانشکدگان کشاورزی و منابع طبیعی دانشگاه تهران، کرج، ایران.

2 استاد، گروه مهندسی آبیاری و آبادانی، دانشکدگان کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران

3 گروه آب و محیط زیست، دانشکده مهندسی عمران، دانشگاه علم و صنعت ایران، تهران، ایران

چکیده

پیش‌بینی زمان واقعی جریان روزانه ورودی به مخازن با افق پیشبینی چند گام جلوتر جهت برنامه‌ریزی و مدیریت منابع آب اهمیت زیادی دارد. با وجود مطالعات زیاد پیش‌بینی جریان با روش‌های یادگیری ماشین، مطالعات کمی برای بررسی قابلیت‌های پیش‌بینی طولانی مدت (چند گام جلوتر) این روش‌ها و به دست آوردن بینشی نسبت به مقایسه سامان‌مند عملکرد پیش‌بینی مدل در کوتاه‌مدت انجام شده است. در این پژوهش با استفاده از سامانه استنتاج عصبی-فازی تطبیقی (ANFIS) و شبکه حافظه کوتاه و بلند مدت (LSTM) پیش‌بینی جریان روزانه ورودی به مخزن سیمره تا ۷ روز آینده انجام شد. برای این کار از داده‌های روزانه بارش، دما و جریان ورودی به سیمره از سال ۱۳۹1 تا ۱۳۹۷ جهت انجام مدل سازی استفاده شده‌ است. نتایج نشان داد که در پیش‌بینی روزانه چند گام جلوتر، عملکرد مدل LSTM بهتر از ANFIS است به‌طوری‌که بیشینه و کمینه مقدار ضریب نش در افق پیش‌بینی تا هفت روز آینده به ترتیب برای مدل LSTM برابر 971/0 و 628/0 و برای مدل ANFIS برابر 858/0 و 393/0 می‌باشد. تنظیم بهینه پارامترهای مربوط به تعداد نرون‌ها در هر لایه، تعداد تکرارها و تعداد دسته‌ها در مدل‌ LSTM، کلیدی برای پتانسیل بالای مدل جهت پیش‌بینی جریان تا افق پیش‌بینی هفت روز آینده می‌باشد. درنهایت عملکرد LSTM جهت پیش‌بینی جریان ورودی به سیمره در سیلاب 98 ارزیابی و مشخص شد که جریان‌های سیلابی را با دقت قابل قبولی تا افق پیش‌بینی 7 روز آینده، پیش‌بینی کرده است. این یافته‌ها نشان می‌دهد که LSTM می‌تواند در پیش‌بینی جریان روزانه مناسب باشد. بنابراین برای کمک به تصمیم‌گیری‌های راهبردی در مدیریت منابع آب بخصوص در شرایط سیلابی می توان از آن بهره گرفت.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Evaluating the Performance of the LSTM Model in Forecasting Daily Inflow the Dam Reservoirs

نویسندگان [English]

  • masoumeh zeinalie 1
  • omid bozorg haddad 1
  • Mehdi Yasi 2
  • Hosein Alizadeh 3
1 . Department of Irrigation & Reclamation Engineering, Faculty of Agricultural Engineering & Technology, College of Agriculture & Natural Resources, University of Tehran, Karaj, Tehran, Iran.
2 Professor,, Department of Irrigation and Reclamation Engineering, Faculty of Agriculture, University of Tehran, Karaj, Iran.
3 School of Civil Engineering, Iran University of Science and Technology
چکیده [English]

In this study, the daily inflow to the Seimareh reservoir was predicted for the next 7 days using the Adaptive Neuro-Fuzzy Inference System (ANFIS) and the Long Short-Term Memory (LSTM) network. For this purpose, daily data on precipitation, temperature and inflow to the Seimareh reservoir from 2012 to 2018 were used for modeling. The results showed that the performance of the LSTM model was better than that of ANFIS in the daily forecast in several steps. Specifically, the maximum and minimum values of the Nash coefficient in the forecast horizon for the next seven days were 0.971 and 0.628 for the LSTM model and 0.858 and 0.393 for the ANFIS model, respectively. The optimal setting of the parameters, including the number of neurons in each layer, the number of epochs and the stack size in the LSTM model, is the key to the model's high potential to predict the inflow for the next seven days. Finally, the performance of the LSTM model in predicting the inflow to Seimareh during the 2019 flood was evaluated and it was found to predict flood discharges with acceptable accuracy up to the forecast horizon of the next seven days. These results indicate that the LSTM model is suitable for forecasting daily inflow and can help make strategic decisions in water resource management, especially under flood conditions.

کلیدواژه‌ها [English]

  • daily reservoir inflow forecast؛
  • flood management
  • ؛ long lead-time forecast؛
  • machine learning
تحقیقات آب و خاک ایران

مقالات آماده انتشار، پذیرفته شده
انتشار آنلاین از تاریخ 17 شهریور 1403

فایل ها

هم رسانی

ارجاع به این مقاله

آمار