%0 Journal Article %T پیش‌بینی میزان دبی متوسط ماهیانۀ رودخانۀ کارون با استفاده از روش ترکیبی GRU-LSTM %J اکوهیدرولوژی %I دانشکده علوم و فنون نوین دانشگاه تهران %Z 2423-6098 %A احمدی, پویا %A عارفی, حسین %A کاردان, ناریلا %D 2020 %\ 09/22/2020 %V 7 %N 3 %P 619-633 %! پیش‌بینی میزان دبی متوسط ماهیانۀ رودخانۀ کارون با استفاده از روش ترکیبی GRU-LSTM %K پیش‏ بینی %K دبی ماهیانه %K روش ماشین بردار پشتیبان %K روش GRU-LSTM %K رودخانۀ کارون %R 10.22059/ije.2020.301608.1322 %X مدل سازی دبی رودخانه در مدیریت منابع آب و مدیریت ریسک از اهمیت بالایی برخوردار است. این امر در مناطق کوهستانی اهمیت بیشتری پیدا می‌کند زیرا بیشتر جمعیت‌های پایین‌دست منطقه، وابستگی زیادی به کشاورزی و فعالیت‌های تجاری مانند تولید برق دارند. در این زمینه‌، در سال‌های اخیر، مدل‌های یادگیری ماشینی به دلیل دقت بالا در پیش‌بینی از طریق یادگیری به-صورت جعبه سیاه مورد توجه زیادی قرار گرفته‌اند. از این رو در مطالعه حاضر، یک رویکرد ترکیبی برای پیش‌بینی دبی متوسط ماهیانه رودخانه کارون پیشنهاد شده است. این روش از ترکیب شبکه‌های عصبیLSTM و GRU استفاده می‌نماید. شبکه LSTM یک شبکه عصبی یادگیری عمیق می‌باشد که توانایی اضافه کردن مفهموم زمان به مدل‌سازی را دارد؛ از این رو در پژوهش حاضر به دلیل ماهیت سری زمانی داده‌ها این روش مورد توجه قرار گرفته است. این شبکه به دلیل داشتن دروازه‌های زیاد، بسیار کند عمل می کند که برای جبران سرعت این روش از لایه‌های GRU که نمونه‌ای دیگر از شبکه‌های یادگیری عمیق می‌باشند استفاده می-شود. برای پیش‌بینی دبی متوسط ماهیانه رودخانه کارون از داده‌های آماری ایستگاه ملاثانی برای دوره 21 ساله از 1 فروردین 1374 تا 29 اسفند 1394 استفاده شده و مدل‌سازی براساس پنج ترکیب ورودی با مقادیر دبی رودخانه با تأخیر یک ماهه انجام شده است. رویکرد پیشنهادی با سایر روش‌های موجود نظیر ماشین بردار پشتیبان، سیستم استنتاج فازی-عصبی تطبیقی و مدل رگرسیون خطی چندگانه مورد مقایسه قرار گرفت که نتایج نشان دهنده‌ی بالا بودن دقت رویکرد پیشنهادی نسبت به سایر روش‌های مورد مقایسه می‌باشد. %U https://ije.ut.ac.ir/article_77569_c4210ed7e03abec9aa774e8b3bafbc32.pdf