پیش بینی کوتاه مدت خشک سالی هیدرولوژیک با استفاده از روش مبتنی بر یادگیری عمیق
خشکسالی هیدرولوژیک بر تخصیص آب و تولید برق آبی تاثیر می گذارد. از اینجهت پیشبینی خشکسالی می تواند به مدیریت بهینه منابع آب کمک نماید. در این مقاله، خشکسالی هیدرولوژیکی کوتاه مدت بر اساس یادگیری عمیق پیش بینی شد. برای این منظور، شاخص استاندارد خشکسالی هیدرولوژیک (SHDI) دربازه های یک، سه و شش ماه محاسبه شد. سپس، سه حالت کلی برای پیش بینی SHDI و 36 ترکیب ورودی-خروجی استخراج شدند. در مرحله بعد، الگوریتم های مختلف بهینه سازی، ازجمله الگوریتم بهینه سازی ملخ، الگوریتم ازدحام نمک، بهینه سازی مبتنی بر جغرافیای زیستی و بهینه سازی ازدحام ذرات ترکیب شده با ANN برای پیش بینی SHDI مورداستفاده قرار گرفتند. در این تحقیق 70% داده ها برای آموزش و 30% برای آزمایش مدلها درنظر گرفته شدند. در نهایت عملکرد شبکه عصبی عمیق (DNN) در مقایسه با نتایج مدل های ترکیبی و ANN نشان داد که مدل های ترکیبی عملکرد بهتری داشته اند ولی در مقایسه با یادگیری عمیق توانایی آنها کمتر است. یادگیری عمیق بدون نیاز به تعریف ترکیب ورودیها، توانست مقدار RMSE را به 32/0 کاهش دهد.
پرداخت حق اشتراک به معنای پذیرش "شرایط خدمات" پایگاه مگیران از سوی شماست.
اگر عضو مگیران هستید:
اگر مقاله ای از شما در مگیران نمایه شده، برای استفاده از اعتبار اهدایی سامانه نویسندگان با ایمیل منتشرشده ثبت نام کنید. ثبت نام
- حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران میشود.
- پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانههای چاپی و دیجیتال را به کاربر نمیدهد.