RT - Journal Article T1 - Integration of remote sensing and meteorological data to predict flooding time using deep learning algorithm JF - kntu-jgit YR - 2022 JO - kntu-jgit VO - 10 IS - 2 UR - http://jgit.kntu.ac.ir/article-1-808-fa.html SP - 19 EP - 38 K1 - flood forecasting K1 - remote sensing K1 - discharge forecasting K1 - deep learning K1 - LSTM. AB - 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. 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. LA eng UL http://jgit.kntu.ac.ir/article-1-808-fa.html M3 10.52547/jgit.10.2.19 ER -