با توجه به مجوز اخذ شده از دفتر سیاستگذاری و برنامهریزی و امور پژوهشی وزارت علوم، تحقیقات و فناوری، از تاریخ 01. 06. 1402 بهمنظور چاپ مقاله، مبلغ 6.500.000 ریال دریافت میشود. این مبالغ باید به شماره کارت 8592-0045-8370- 5859 و یا شماره حساب 0294224971 بهنام انجمن آبخیزداری ایران، بانک تجارت، بابت هزینه داوری، انتشار و خرید کد Doi مقاله واریز و رسید آن از طریق سامانه شخصی قسمت این فرم ها در سامانه نشریه بارگزاری شود.
لازم به ذکر است پرداخت فوق هم از طریق شعب بانکها و هم از طریق همراه بانک و یا بانکداری اینترنتی به شکل پرداخت پایا قابل انجام است.
در این پژوهش به بررسی عملکرد برخی مدلهای یادگیری عمیق (LSTMو GRU)و یادگیری ماشین (RFو MLP) برای مدلسازی دبی رودخانه در استان لرستان در ایستگاههای هیدرومتری چولهول افرینه، کشکان افرینه و دره تنگ در دو دورهی کمآبی و پرآبی پرداخته شده است. برای انجام این تحقیق از دادههای ورودی تبخیر، دما و بارش همچنین داده خروجی دبی رودخانه در بازهی زمانی 10 ساله (1393-1394 تا 1402-1403) استفاده شد. با استفاده از دادههای دبی برای هر ایستگاه حد تعیین دوره کمآبی و دوره پرآبی مشخص شد، سپس دبی رودخانه به دو دوره کمآبی و پرآبی تقسیم شد، سپس مدلسازی دادهها (70 درصد دادههای آموزش و 30 درصد دادههای آزمایش) با استفاده از مدلهای ذکر شده در محیط Pythoneانجام شد. نتایج نشان داد باتوجه به معیارهای ارزیابی مدل GRUدر دورهی پرآبی و مدل RFدر دوره کمآبی نسبت به سایر مدلها عملکرد بهتری از خود نشان دادهاند. با توجه به نتایج بخش آزمایش مدل GRUدر دوره پرآبی بهترین نتیجه را به ما داده است که بهترتیب ضریب همبستگی، میانگین خطای مطلق و ریشه میانگین مربعات خطا در ایستگاه چولهول افرینه 95/0، 06/0 و 10/0، همچنین ایستگاه کشکان افرینه 57/0، 17/0 و 24/0 و در آخر ایستگاه دره تنگ 94/0، 09/0 و 13/0 بهدست آمده است. همچنین نتایج بخش آزمایش مدل RFدر دوره کمآبی بهترین نتیجه را به ما داده است که بهترتیب ضریب همبستگی، میانگین خطای مطلق و ریشه میانگین مربعات خطا در ایستگاه چولهول افرینه 72/0، 22/0 و 23/0، همچنین ایستگاه کشکان افرینه 82/0، 17/0 و 20/0 و در آخر ایستگاه دره تنگ 43/0، 34/0 و 38/0 بهدست آمده است. لذا با توجه به نتایج بهدست آمده از این پژوهش میتوان از این مدلهای بهینه برای صرفهجویی در هزینه و زمان برای بحث حفاظت آب و خاک و تخمین دبی خروجی از حوزههای آبخیز استفاده کرد. همچنین میتوان برای اجرای مدیریت بهتر در رابطه با کمیت و کیفیت آبهای سطحی، این مدلها برای تخمین دبی ایستگاههای مجاور فاقد آمار دارای شرایط زمینساختی و هیدرولوژیکی یکسان در سطح منطقه مورد استفاده قرار گیرند و نتایج قابل اعتمادی در رابطه با دبی رودخانه ارائه دهند.
Beiranvand N, Sepahvand A, Naghavi H. River Flow Modeling with Emphasis on Drought and Flood Periods Using Selected Deep Learning and Machine Learning Models (Case Study: Selected Stations in the Karkheh Basin). jwmseir 2026; 20 (72) : 3 URL: http://jwmsei.ir/article-1-1224-fa.html
بیرانوند نسرین، سپه وند علیرضا، نقوی حامد. مدلسازی جریان رودخانه با تاکید بر دوران کمآبی و پرآبی با استفاده از برخی مدلهای یادگیری عمیق و یادگیری ماشین (مطالعه موردی: برخی ایستگاههای حوضه کرخه. مجله علوم ومهندسی آبخیزداری ایران. 1405; 20 (72)
به اطلاع کلیه نویسندگان ، محققین و داوران محترم می رساند:با عنایت به تصمیم هیئت تحریریه مجله علمی پژوهشی علوم و مهندسی آبخیزداری فرمت تهیه مقاله به شکل پیوست در بخش راهنمای نویسندگان تغییر کرده است. در این راستا، از تاریخ ۱۴۰۳/۰۱/۲۱ کلیه مقالات ارسالی فقط در صورتی که طبق راهنمای نگارش جدید تنظیم شده باشد مورد بررسی قرار خواهد گرفت.
