| پیش‌بینی دبی ماهانه رودخانه قزل‌اوزن با استفاده از مدل ترکیبی شبکه عصبی کوانتومی و متغیرهای هواشناسی |
| کد مقاله : 1067-CONFIHA |
| نویسندگان |
|
عرفان عبدی1، آیناز وفائی1، محمدتقی ستاری *1، رسول میرعباسی2 1Department of Water Engineering, Faculty of Agriculture, University of Tabriz, Tabriz, 51666-16471, Iran 2عضو هیات علمی گروه مهندسی آب، دانشکده کشاورزی، دانشگاه شهرکرد |
| چکیده مقاله |
| پیش‌بینی دقیق جریان رودخانه برای مدیریت منابع آب، کنترل سیلاب و برنامه‌ریزی کشاورزی از اهمیت بسزایی برخوردار است. مدل‌های کوانتومی با بهره‌گیری از برهم‌نهی و درهم‌تنیدگی، توانایی برتری در مدل‌سازی روابط غیرخطی پیچیده و پیش‌بینی مقادیر حدی جریان را نسبت به مدل‌های یادگیری عمیق کلاسیک دارند. در این مطالعه، به منظور پیش‌بینی دبی ماهانه رودخانه قزل‌اوزن در دو ایستگاه یساول و قره‌گونی، عملکرد سه مدل شبکه عصبی کوانتومی ترکیبی (HQNN)، شبکه عصبی کانوولوشن با حافظه طولانی کوتاه‌مدت دوجهته (CNN-BiLSTM) و ماشین بردار پشتیبان (SVR) مورد ارزیابی و مقایسه قرار گرفت. بدین منظور، علاوه بر سری زمانی دبی رودخانه، سه متغیر دمای حداکثر، دمای حداقل و بارش در بازه زمانی ۱۳۸۵ تا ۱۴۰۲ به عنوان ورودی های مدل ها در نظر گرفته شد. نتایج نشان داد مدل HQNN در هر دو ایستگاه مورد مطالعه برتری محسوسی داشت؛ به‌طوری‌که در یساول مقادیر R²=0.919، RMSE=2.503 m3/s و NSE=0.907 و در قره‌گونی R²=0.835، m3/s RMSE=3.127 و NSE=0.789 برای مدل HQNN به دست آمد. یافته‌های این تحقیق قابلیت محاسبات کوانتومی را در بهبود دقت پیش‌بینی‌های هیدرولوژیک تأیید می‌کند. |
| کلیدواژه ها |
| پیش‌بینی جریان رودخانه، یادگیری عمیق، محاسبات کوانتومی، سری‌های زمانی هیدرولوژیکی |
| وضعیت: پذیرفته شده برای ارسال فایل های ارائه پوستر |
