| مدل‌های یادگیری عمیق و یادگیری ماشین در مدلسازی بارش-رواناب: مرور سیستماتیک روندها، کاربردها و چشم‌اندازهای آینده |
| کد مقاله : 1296-NERS |
| نویسندگان |
|
گلاله غفاری *، جاهده تکیه خواه لرستان، خرم آباد، میدان پلیس، خیابان کشاورز، باغ کشاورزی، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی لرستان |
| چکیده مقاله |
| مدلسازی فرایند بارش-رواناب به دلیل تعاملات غیرخطی و پیچیدگی‌های ذاتی مؤلفه‌های اقلیمی و محیطی، همواره یکی از چالش‌های بنیادین و گره‌های فکری در حوزه علوم هیدرولوژی محسوب می‌شود. پژوهش حاضر با هدف واکاوی دقیق توانمندی‌های معماری‌های نوین یادگیری عمیق و ماشین، به بررسی سیستماتیک بیش از 150 مقاله معتبر علمی در بازه زمانی 2015-2025 و بر اساس چارچوب استاندارد PRISMA پرداخته است. تحلیل‌های جامع صورت‌گرفته نشان‌دهنده آن است که شبکه‌های LSTM به سبب برخورداری از قابلیت‌های منحصربه‌فرد در استخراج الگوهای زمانی بلندمدت و غلبه بر چالش محو شدن گرادیان، جایگاهی متمایز در این عرصه یافته‌اند؛ به گونه‌ای که این مدل‌ها در مطالعات متعددی با ثبت میانگین شاخص NSE در بازه 69/0-75/0، عملکردی به مراتب برتر و دقیق‌تر از مدل‌های مفهومی و کلاسیک از خود نشان داده‌اند. در کنار این رویکرد، مدل‌های ترکیبی CNN-LSTM با بهره‌گیری از هم‌افزایی ناشی از استخراج ویژگی‌های مکانی و تحلیل دقیق سری‌های زمانی، توانسته‌اند به شاخص دقت 82/0-88/0دست یابند و از این رو به عنوان کارآمدترین ابزار برای شبیه‌سازی در حوضه‌های آبریز ناهمگن شناخته می‌شوند. در مقابل، الگوریتم Random Forest با وجود برخی محدودیت‌ها در بازنمایی پویایی‌های زمانی، به دلیل سرعت پردازش بالا و تفسیرپذیری مطلوب، همچنان جایگاه خود را در پیش‌بینی‌های کوتاه‌مدت حفظ کرده است. شایان ذکر است که چشم‌انداز آتی این حوزه به وضوح به سمت توسعه مدل‌های فیزیک-مبنا (PIML) حرکت می‌کند. این مدل‌ها با تلفیق هوشمندانه معادلات بنیادین هیدرولوژی و شبکه‌های عصبی، علاوه بر تضمین سازگاری فیزیکی خروجی‌ها، قدرت تعمیم‌پذیری و توان برون‌یابی مدل را در شرایط پیش‌بینی‌نشده ارتقا می‌دهند. افزون بر موارد یادشده، ظهور معماری‌های مبتنی بر Transformer که از مکانیزم توجه (Attention Mechanism) بهره می‌برند، افق‌های نوین و نویدبخشی را در پیش‌بینی‌های چندگام‌به‌جلو و تحلیل‌های پیچیده زمانی گشوده‌اند. بر این اساس می‌توان نتیجه گرفت که در سال‌های پیش رو، دسترسی به کلان‌داده‌های باکیفیت و توسعه نظام‌مند سیستم‌های یادگیری انتقالی، مؤلفه‌های کلیدی و حیاتی در موفقیت راهبردی برای مدیریت ریسک‌های مرتبط با سیلاب و خشکسالی خواهند بود. این مسیر تحولی، نه تنها دقت پیش‌بینی‌ها را بهبود می‌بخشد، بلکه درک عمیق‌تری از پدیده‌های هیدرولوژیک در مقیاس‌های مختلف مکانی و زمانی فراهم می‌آورد. |
| کلیدواژه ها |
| بارش-رواناب، یادگیری عمیق، LSTM، CNN-LSTM، Random Forest |
| وضعیت: پذیرفته شده |
