انجمن آبخیزداری ایران مجله اکوهیدرولوژی 2423-6098 13 1 2026 03 21 Time Series Modeling of Jiroft Dam Inflow Using Tow Deep Learning models case study (Jiroft and Nesa Dams) مدل‏سازی سری ‏زمانی آورد ورودی به سدهای جیرفت و نساء با استفاده از یادگیری عمیق مطالعه موردی: (سدهای جیرفت و نساء) 1106 1123 104599 10.22059/ije.2025.398750.1879 FA نسرین سیاری استادیار، بخش علوم و مهندسی آب، دانشکدۀ کشاورزی، دانشگاه شهید باهنر کرمان 0000-0002-2829-4472 آرمین شاهرخی دانش‌آموختۀ کارشناسی ارشد مهندسی منابع آب، بخش علوم و مهندسی آب، دانشکدۀ کشاورزی، دانشگاه شهید باهنر کرمان Journal Article 2025 12 29 Analyzing temporal and spatial changes in precipitation, temperature, and surface runoff is essential for water resources discussions and long-term forecasts for watershed management. Therefore, the aim of this study was to model the time series of inflow discharge to Jiroft and Nesa dams under different climatic conditions. For this purpose, two LSTM and GRU models were used in Jiroft and Nesa dams over a period of 25 and 12 years in the Python program environment. Based on the output results, the model is in its best state when it has reached the convergence point. Based on the output results, the model is in its best state when it has reached the convergence point. In the Jiroft Dam LSTM model, the RMSE criteria for training and testing the model were 0.72 and 0.78, respectively, and the MAE values were 0.10 and 0.12, respectively. These values in the GRU model were 0.94, 1.02, 0.15, and 0.20, respectively. Also, in the Nesa Dam in the LSTM model, the RMSE criteria for training and testing the model were 0.11 and 0.10, respectively, and the MAE values were 0.05 and 0.04, respectively. These values in the GRU model were 0.01, 0.09, 0.04, and 0.03, respectively. Also, by planning, it is possible to prevent damage from the dam outlet downstream and to drain and control possible floods as much as possible. تحلیل تغییرات زمانی و مکانی بارش، دما و همچنین، آبدهی سطحی در مباحث منابع آب و پیش‏بینی‏های بلندمدت برای مدیریت حوضۀ آبخیز امری ضروری است. از این‌رو هدف از این مطالعه، مدل‏سازی سری ‏زمانی دبی ورودی به سدهای جیرفت و نساء در شرایط مختلف آب‌و‌هوایی بود. به این‌منظور، از دو مدل LSTM و GRU در سدهای جیرفت و نساء طی بازۀ زمانی 25 و 12 سال در محیط برنامۀ Python استفاده شد. براساس نتایج حاصل از خروجی، مدل زمانی در بهترین حالت خود قرار دارد که به نقطۀ همگرایی رسیده است. در سد جیرفت مدل LSTM، معیارهای RMSE، برای آموزش و آزمون مدل به‌ترتیب 0/72 و 0/78 و مقادیر MAE به‌ترتیب 0/10 و 0/12 بود. این مقادیر در مدل GRU به‌ترتیب 0/94 و 1/02 و 0/15 و 0/20 بود. همچنین در سد نساء در مدل LSTM، معیارهای RMSE، برای آموزش و آزمون مدل به‌ترتیب 0/11 و 0/10 و مقادیر MAE به‌ترتیب 0/05 و 0/04 بود. این مقادیر در مدل GRU به‌ترتیب 0/10 و 0/09 و 0/04 و 0/03 بود. همچنین، می‏توان با برنامه‏ریزی از ایجاد خسار‌ت‌های ناشی از خروجی سد در پایین‏دست و تخلیه و مهار سیلاب‏های احتمالی در حد امکان جلوگیری کرد. https://ije.ut.ac.ir/article_104599_36af1d9b4d4cb7da8f22e720108b8abe.pdf