Journal of Geospatial Information Technology

fa ادغام داده های سنجش‌ازدوری و هواشناسی جهت پیش بینی زمانی سیلاب با استفاده از الگوریتم یادگیری عمیق Integration of remote sensing and meteorological data to predict flooding time using deep learning algorithm سنجش از دور RS پژوهشي Research پیش‌بینی دقیق سیلاب نیازی اساسی جهت کاهش خطرات آن می‌باشد ولی به دلیل ساختار پیچیده سیلاب و جریان رودخانه، عملا پیشبینی دقیق طغیان و تخلیه رودخانه مسألهای دشوار است. شبکههای عصبی مصنوعی مانند شبکههای عصبی مکرر، عملکرد بسیار خوبی در دادههای سری زمانی دارند. در سالهای اخیر استفاده از شبکههای حافظه طولانی کوتاه مدت به دلیل رفع معایب شبکههای عصبی مکرر توجه زیادی را به خود جلب کردهاست. در این مطالعه سعی بر پیشبینی دبی روزانه ایستگاه آققلا در استان گلستان تا سه روز آینده، با استفاده از شبکه حافظه طولانی کوتاه مدت شدهاست. این شبکه به دلیل ساختار ویژه و توانایی یادگیری وابستگیهای طولانی مدت، جهت پیشبینیهای سری زمانی بسیار مناسب میباشد. از طرفی شبکه ی مورد نظر شبکهای پایدار و شامل حداکثر پارامترهای پیشفرض بوده که این امر نشانگر قابلیت استفاده از آن برای دیگر مناطق میباشد. همچنین این الگوریتم، توانایی استفاده از توپوگرافی و دادههای دبی سایر ایستگاههای منطقه را دارد. جهت پیشبینی دبی در ایستگاه هدف چندین ترکیب داده؛ دادههای دبی ایستگاه آققلا به صورت تنها و به همراهِ ایستگاههای بالادست آن، مدل ارتفاعی شهرستان آققلا و استان گلستان، به عنوان ورودی شبکه استفاده شده اند<span dir="LTR">.</span> در ادامه یافتههای مطالعه حاضر با شبکه های رگرسیون ساده، رگرسیون ماشین بردار پشتیبان و شبکه عصبی مکرر ساده مقایسه گردید. نتایج حاکی از برتریِ شبکه حافظه طولانی کوتاه مدت، با مقادیر پارامتر نش-ساتکلیف بالای 91%، نسبت به سایر شبکه ها میباشد. در مطالعات بعدی سعی بر استفاده از سایر دادههای تاثیرگذار بر وقوع سیلاب و همچنین توسعه شبکه مورد استفاده به شبکهای کاملا خودکار میباشد. Accurate flood forecasting is a vital need to reduce its risks. Due to the complicated structure of flood and river flow, it is somehow difficult to solve this problem. Artificial neural networks, such as frequent neural networks, offer good performance in time series data. In recent years, the use of Long Short Term Memory networks hase attracted much attention due to the faults of frequent neural networks. In this study, it is tried to predict the daily discharge of the Aqqala station in Golestan provice, for the next three days, using Long Short Term Memory network. This network is very suitable for time series predictions, due to its special structure and ability to learn long-term dependencies. On the other hand, the desired network is stable and contains the maximum default parameters, which indicates its usability for other regions. Also, this algorithm has the ability to use topography and flow data from other stations in the region. To predict the discharge at the target station, several data combinations; the discharge data of Aqqala station alone and together with its upstream stations, the elevation model of Aqqala city and Golestan province were used as network inputs. The present research outcome was compared with simple regression network, support vector machine-regression, and frequent neural network. The results show that Long Short Term Memory network is superior to other networks with Nash-Sutcliffe Efficiency values above 91%. In future study, authors are going to to use other influential data on flood occurrence as well as network development into fully automated network. پیش بینی سیل, سنجش ازدور, دبی, یادگیری عمیق, LSTM. flood forecasting, remote sensing, discharge forecasting, deep learning, LSTM. 19 38 http://jgit.kntu.ac.ir/browse.php?a_code=A-11-382-2&slc_lang=fa&sid=1 Fateme hosseinzadeh فاطمه حسین زاده Fateme.h74@email.kntu.ac.ir 10031947532846008823 10031947532846008823 No K.N.Toosi University of Technology دانشگاه صنعتی خواجه نصیر الدین طوسی Hamid Ebadi حمید عبادی Ebadi@kntu.ac.ir 10031947532846008824 10031947532846008824 No K.N.Toosi University of Technology دانشگاه صنعتی خواجه نصیر الدین طوسی Abbas Kiani عباس کیانی a.kiani@nit.ac.ir 10031947532846008825 10031947532846008825 Yes Babol Noshirvani University of Technology, دانشگاه صنعتی نوشیروانی بابل