مشخصات پژوهش

عنوان	پیش بینی میزان دبی متوسط ماهیانه رودخانه کارون با استفاده از روش ترکیبی GRU-LSTM
نوع پژوهش	مقاله چاپ شده
کلیدواژه‌ها	دبی ماهیانه، پیش بینی، روش ماشین بردار پشتیبان، روش GRU-LSTM، رودخانه کارون
چکیده	مدل سازی دبی رودخانه در مدیریت منابع آب و مدیریت ریسک از اهمیت بالایی برخوردار است. این امر در مناطق کوهستانی اهمیت بیشتری پیدا می کند زیرا بیشتر جمعیت های پایین دست منطقه، وابستگی زیادی به کشاورزی و فعالیت های تجاری مانند تولید برق دارند. در این زمینه ، در سال های اخیر، مدل های یادگیری ماشینی به دلیل دقت بالا در پیش بینی از طریق یادگیری به-صورت جعبه سیاه مورد توجه زیادی قرار گرفته اند. از این رو در مطالعه حاضر، یک رویکرد ترکیبی برای پیش بینی دبی متوسط ماهیانه رودخانه کارون پیشنهاد شده است. این روش از ترکیب شبکه های عصبیLSTM و GRU استفاده می نماید. شبکه LSTM یک شبکه عصبی یادگیری عمیق می باشد که توانایی اضافه کردن مفهموم زمان به مدل سازی را دارد؛ از این رو در پژوهش حاضر به دلیل ماهیت سری زمانی داده ها این روش مورد توجه قرار گرفته است. این شبکه به دلیل داشتن دروازه های زیاد، بسیار کند عمل می کند که برای جبران سرعت این روش از لایه های GRU که نمونه ای دیگر از شبکه های یادگیری عمیق می باشند استفاده می-شود. برای پیش بینی دبی متوسط ماهیانه رودخانه کارون از داده های آماری ایستگاه ملاثانی برای دوره 21 ساله از 1 فروردین 1374 تا 29 اسفند 1394 استفاده شده و مدل سازی براساس پنج ترکیب ورودی با مقادیر دبی رودخانه با تأخیر یک ماهه انجام شده است. رویکرد پیشنهادی با سایر روش های موجود نظیر ماشین بردار پشتیبان، سیستم استنتاج فازی-عصبی تطبیقی و مدل رگرسیون خطی چندگانه مورد مقایسه قرار گرفت که نتایج نشان دهنده ی بالا بودن دقت رویکرد پیشنهادی نسبت به سایر روش های مورد مقایسه می باشد.
پژوهشگران	پویا احمدی (نفر اول)، حسین عارفی (نفر دوم)، نازیلا کاردان (نفر سوم)