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.