توسعه مدل‌ هیبریدی مبتنی بر ترکیب مدل‌های سنتی و یادگیری‌ماشین به منظور پیش‌بینی سیلاب (مطالعه موردی: حوضه فخرآباد استان یزد)

کد مقاله : 1127-CONFIHA (R1)

نویسندگان

محمدمهدی ریاحی *، مهدی سلیمانی، محمدعلی امیربیکی شرکت آب منطقه ای یزد

چکیده مقاله

هدف از پژوهش حاضر، توسعه رویکردی ترکیبی مبتنی بر مدل هیدرولوژیکی HEC-HMS به عنوان یک مدل ستنی و الگوریتم‌های یادگیری ماشین به‌منظور بهبود دقت پیش‌بینی سیلاب است. در این روش، ابتدا مدل HEC-HMS با استفاده از اطلاعات بارش-رواناب تاریخی ثبت شده در حوضه فخر آباد (به عنوان یکی از حوضه‌های اصلی استان یزد)، پارامترهای مدل واسنجی می‌شوند. سپس، خروجی‌های مدل هیدرولوژیکی (دبی سیلاب در انتهای حوضه) به‌همراه بارندگی به‌عنوان ورودی الگوریتم‌های یادگیری ماشین نظیر جنگل تصادفی، ماشین بردار پشتیبان، BaggingT، LightGBM و XGBoost استفاده می‌شوند. در نهایت عملکرد مدل‌های یادگیری ماشین با استفاده از معیارهای آماری (مانند MAE، RMSE، MSE و R2 ) ارزیابی و مقایسه می‌شوند. انتظار می‌رود این رویکرد با بهره‌گیری هم‌زمان از شناخت فرایندهای هیدرولوژیکی حاصل شده از مدل‌های فیزیکی و قابلیت یادگیری روابط غیرخطی، دقت پیش‌بینی دبی اوج و هیدروگراف سیلاب را بهبود بخشد. براساس معیارهای آماری مدل یادگیری ماشین Bagging بهترین عملکرد را برای پیش بینی سیلاب داشته است.

کلیدواژه ها

پیش بینی سیلاب، مدل یادگیری ماشین، مدل HEC-HMS، حوضه فخرآباد

وضعیت: پذیرفته شده برای ارائه شفاهی