پیش‌بینی وقوع سیلاب در رودخانه با استفاده از مدل‌های یادگیری عمیق و داده‌های تاریخی دما، بارش و عمق رودخانه

نوع: Type: پایان نامه

مقطع: Segment: کارشناسی ارشد

عنوان: Title: پیش‌بینی وقوع سیلاب در رودخانه با استفاده از مدل‌های یادگیری عمیق و داده‌های تاریخی دما، بارش و عمق رودخانه

ارائه دهنده: Provider: کیوان دوست کام - مهندسی عمران

اساتید راهنما: Supervisors: دکتر جلال صادقیان

اساتید مشاور: Advisory Professors:

اساتید ممتحن یا داور: Examining professors or referees: دکتر جلال اکبری و دکتر محرم منصوری زاده

زمان و تاریخ ارائه: Time and date of presentation: ساعت 16 - 1405/4/29

مکان ارائه: Place of presentation: دانشکده مهندسی

چکیده: Abstract: پیش‌بینی دقیق و به‌موقع سیلاب به عنوان یکی از مخرب‌ترین مخاطرات هیدرولوژیکی، نقش اساسی در مدیریت بحران و کاهش خسارات دارد. در این پژوهش، دو مدل مستقل مبتنی بر معماری یادگیری عمیق CNN–LSTM به‌صورت موازی توسعه داده شد: اول مدل طبقه‌بندی برای برآورد احتمال وقوع سیلاب، و دوم مدل رگرسیونی چندخروجی برای پیش‌بینی همزمان تراز آب (Stage) و دبی جریان (Discharge). داده‌های مورد استفاده شامل ۸۷٬۶۵۰ رکورد ساعتی در بازه ۲۰۱۳ تا ۲۰۲۳ است. متغیرهای ورودی مدل شامل تراز آب، دبی جریان و دمای سطح زمین (ERA5-Land) در ایستگاه هیدرومتری سن‌لوئیز، به همراه داده‌های بارش ماهواره‌ای (GPM IMERG) تفکیک‌شده در ۲۱ ناحیه بالادست این ایستگاه است. به منظور جلوگیری از نشت اطلاعات، تقسیم‌بندی زمانی داده‌ها پیش از مقیاس‌بندی انجام شد و برای مقابله با عدم توازن کلاس‌ها، از روش وزن‌دهی به کلاس‌ها در آموزش مدل طبقه‌بندی استفاده گردید. برای ارزیابی عملکرد، ۲۰ سناریوی زمانی مبتنی بر ترکیب طول داده‌های گذشته (Time Steps) و افق پیش‌بینی (Lead Time) بررسی شد و عملکرد دو مدل به‌صورت تجمیعی با شاخص Final Score رتبه‌بندی گردید؛ این شاخص از ترکیب میانگین عملکرد رگرسیونی مدل‌ها (بر اساس R² تراز آب و دبی) و عملکرد طبقه‌بندی (بر اساس F1-score) محاسبه شد.نتایج جدول رتبه‌بندی نشان داد بهترین سناریو از نظر امتیاز نهایی، سناریوی 12-48 با Final Score برابر ۰٫۹۵۱۲ است. با این حال، با در نظر گرفتن ملاحظات مهندسی و نیاز به زمان هشدار کافی، سناریوی 36-48 به عنوان سناریوی منتخب انتخاب شد. در این سناریو، مقدار R² تراز آب ۰٫۹۹۰۷، مقدار R² دبی جریان ۰٫۹۸۲ و مقدار F1-score مدل طبقه‌بندی ۰٫۹۰۳۷ به دست آمد و Final Score برابر ۰٫۹۴۵ گزارش شد. در نهایت، به منظور کاربردی‌سازی مدل‌های توسعه‌یافته، یک رابط کاربری گرافیکی برای سامانه پیش‌بینی طراحی و پیاده‌سازی شد.