| تعداد نشریات | 282 |
| تعداد نشریات سازمان | 80 |
| تعداد شمارهها | 3,196 |
| تعداد مقالات | 35,423 |
| تعداد مشاهده مقاله | 52,242,251 |
| تعداد دریافت فایل اصل مقاله | 91,775,651 |
مقایسه عملکرد مدلهای خطی و یادگیری عمیق در پیشبینی رواناب ماهانه، مطالعه موردی: حوزه آبخیز قرهسو | ||
| مهندسی و مدیریت آبخیز | ||
| دوره 18، شماره 1، فروردین 1405، صفحه 147-164 اصل مقاله (1001.14 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/ijwmse.2026.370888.2132 | ||
| نویسندگان | ||
| نادر جندقی* 1؛ مهدی علی بگلی2 | ||
| 1دانشیار هیدرولوژی مهندسی، گروه مرتع و آبخیزداری، دانشکده کشاورزی و منابع طبیعی، دانشگاه گنبد کاووس، گنبد کاووس، ایران | ||
| 2دانشجوی دکتری مهندسی کامپیوتر، دانشگاه آزاد گرگان، گرگان، ایران | ||
| چکیده | ||
| مقدمه مدیریت منابع آب در مناطق خشک و نیمهخشک از چالشهای اساسی قرن حاضر است. رشد جمعیت، تغییرات اقلیمی و افزایش تقاضا فشار زیادی بر منابع آب سطحی وارد کرده است. در چنین شرایطی، پیشبینی رواناب ماهانه ابزاری راهبردی برای برنامهریزی سدها، کنترل سیلاب و مدیریت پایدار حوزههای آبخیز محسوب میشود. با این حال، پیچیدگی فرایندهای هیدرولوژیکی و روابط غیرخطی متغیرهای اقلیمی، این پیشبینی را دشوار کرده است. در سالهای اخیر، مدلهای ترکیبی بهعنوان رویکردی نوین در هیدرولوژی مطرح شدهاند که با ادغام نقاط قوت مدلهای مختلف، دقت و پایداری پیشبینی را بهبود میبخشند. هدف پژوهش حاضر، بررسی کارایی مدلهای خطی و یادگیری عمیق و معرفی مدلی بهینه برای ارتقای مدیریت منابع آب است. مواد و روشها در این پژوهش، رواناب ماهانه حوزه آبخیز قرهسو با مساحت 1624 کیلومترمربع، با استفاده از دادههای سه ایستگاه هیدرومتری پل توسکاستان، نهارخوران و سیاهآب طی یک دوره آماری ۳۶ ساله (1400-1364) مدلسازی و پیشبینی شد. برای این منظور، سه مدل منفرد (SARIMA، BiLSTM و GRU) و دو مدل ترکیبی (BiLSTM-GRU و SARIMA-BiLSTM-GRU) بهکار گرفته شدند تا رواناب ماهانه را برای افق ۱۲ ماه آینده پیشبینی کنند. در مدلهای ترکیبی، مدل SARIMA برای مدلسازی مؤلفههای خطی سری زمانی به کار میرود، در حالی که مدلهای BiLSTM و GRU توانایی شناسایی و بازنمایی الگوهای پیچیده و غیرخطی را دارند. دقت مدلها با شاخصهای RMSE، MAD و MSE ارزیابی شد. پیادهسازی مدلها با استفاده از Python و کتابخانههای پرکاربرد ازجمله TensorFlow، Keras، numpy، pandas، matplotlib، scipy و sklearn انجام شد. نتایج و بحث مدل ترکیبی SARIMA-BiLSTM-GRU با تلفیق مؤلفههای خطی و غیرخطی دقیقترین پیشبینی رواناب ماهانه را ارائه داد. مقادیر RMSE این مدل در ایستگاههای پل توسکاستان، نهارخوران و سیاهآب بهترتیب 0.0295، 0.0173 و 0.1683 مترمکعب بر ثانیه برآورد شد. مدل BiLSTM-GRU با RMSE معادل 0.0326، 0.0226 و 0.3013 گزینه دوم بود. در میان مدلهای منفرد، BiLSTM و GRU نتایج مشابه و قابل قبول داشتند، اما مدل خطی SARIMA با RMSE برابر 0.0851، 0.0230 و 0.3892 ضعیفترین عملکرد را نشان داد. بهطور میانگین و بر اساس شاخص RMSE، مدل ترکیبی SARIMA-BiLSTM-GRU توانست خطای پیشبینی را بین 39.66 درصد تا 56.75 درصد نسبت به سایر مدلها کاهش دهد. یافتههای این پژوهش، مبانی نظری مطرحشده در خصوص برتری مدلهای ترکیبی پیچیده را نسبت به مدلهای ساده و خطی تأیید و تقویت میکند. نتیجهگیری این پژوهش نشان داد که مدلهای ترکیبی خطی و یادگیری عمیق دقت و پایداری پیشبینی رواناب ماهانه را بهطور قابل توجهی بهبود میدهند. نتایج مدلسازی و اعتبارسنجی نشان داد که مدل ترکیبی SARIMA-BiLSTM-GRU با ترکیب مؤثر اجزای خطی (SARIMA) و غیرخطی (BiLSTM و GRU)، بهعنوان مدل بهینه برای این حوضه انتخاب شد که دارای بهترین عملکرد در پیشبینی رواناب ماهانه بوده است. نتایج بر اهمیت بهکارگیری رویکردهای ترکیبی در مدیریت منابع آب و کنترل سیلاب تأکید دارند. پیشنهاد میشود، استفاده از مدلهای پیشرفتهتر و ورودیهای متنوع مانند بارش و دما برای افزایش دقت و قابلیت اعتماد پیشبینیها مدنظر قرار گیرد. همچنین با توجه به مشاهده پدیده بیشبرازش در مدلهای پایه LSTM و GRU، پیشنهاد میشود از معماریهای پیشرفتهتری مانند مدلهای مبتنی بر مکانیسم Attention نظیر Transformer استفاده شود تا مدل بتواند بهطور هوشمند بر دورههای زمانی مؤثر و کلیدی در فرایند رواناب تمرکز کند. | ||
| کلیدواژهها | ||
| استان گلستان؛ پیشبینی هیدرولوژیکی؛ مدلهای ترکیبی؛ مدیریت منابع آب؛ SARIMA-BiLSTM-GRU | ||
| عنوان مقاله [English] | ||
| Comparative performance of linear and deep learning models in monthly runoff prediction, a case study of the Qarasu Watershed | ||
| نویسندگان [English] | ||
| Nader Jandaghi1؛ Mehdi Alibegli2 | ||
| 1Associate Professor in Engineering Hydrology, Department of Rangeland and Watershed Management, Faculty of Agriculture and Natural Resources, Gonbad Kavous University, Iran | ||
| 2PhD student in Computer Engineering, Gorgan Azad University, Iran | ||
| چکیده [English] | ||
| Introduction Water resources management in arid and semi-arid regions is one of the fundamental challenges of the present century. Population growth, climate change, and increasing demand have put significant pressure on surface water resources. In this context, monthly runoff prediction serves as a strategic tool for reservoir planning, flood control, and sustainable watershed management. However, the complexity of hydrological processes and the nonlinear relationships among climatic variables make such predictions challenging. In recent years, hybrid models have emerged as a novel approach in hydrology that enhances prediction accuracy and stability by integrating the strengths of different models. The present study aims to evaluate the performance of linear and deep learning models and to introduce an optimal model for enhancing water resources management. Materials and methods In this study, monthly runoff in the Qarasu watershed, with an area of 1,624 km2, was modeled and predicted using data from three hydrometric stations (Pole-Touskestan, Naharkhoran, and Siyahab) over a common 36-year period (1985-2021). Three single models (SARIMA, BiLSTM, and GRU) and two hybrid models (BiLSTM-GRU and SARIMA-BiLSTM-GRU) were employed to model monthly runoff and forecast values for a 12-month horizon. In hybrid models, the SARIMA model is used to model the linear components of the time series, while BiLSTM and GRU models have the ability to identify and represent complex, non-linear patterns. Model performance was evaluated using RMSE, MAD, and MSE indices. The models were implemented using Python and commonly used libraries, including TensorFlow, Keras, numpy, pandas, matplotlib, scipy, and sklearn. Results and discussion The hybrid SARIMA-BiLSTM-GRU model, by integrating linear and nonlinear components, provided the most accurate monthly runoff predictions. The RMSE values of this model at the Pole-Touskestan, Naharkhoran, and Siyahab stations were estimated at 0.0295, 0.0173, and 0.1683 m³/s, respectively. The BiLSTM-GRU model ranked second, with RMSE values of 0.0326, 0.0226, and 0.3013 m³/s. Among the individual models, BiLSTM and GRU produced similar and relatively accurate results, while the linear SARIMA model, with RMSE values of 0.0851, 0.0230, and 0.3892 m³/s, showed the lowest performance. On average and based on the RMSE index, the SARIMA-BiLSTM-GRU hybrid model reduced prediction errors by 39.66% to 56.75% compared to the other models. The findings of this research confirm and reinforce the theoretical foundations regarding the superiority of complex hybrid models over simple, linear models. Conclusions This study demonstrated that hybrid models combining linear and deep learning approaches can significantly improve the accuracy and stability of monthly runoff predictions. The modeling and validation results indicated that the hybrid SARIMA-BiLSTM-GRU model, which effectively combines linear (SARIMA) and nonlinear (BiLSTM and GRU) components, was selected as the optimal model for this watershed, demonstrating the best performance in monthly runoff prediction. The results highlight the importance of applying hybrid approaches in water resources management and flood control. It is recommended to employ more advanced models and diverse input variables, such as precipitation and temperature, to further enhance the accuracy and reliability of predictions. Furthermore, given the observation of overfitting in the base LSTM and GRU models, it is recommended to employ more advanced architectures, such as models based on the Attention mechanism like the Transformer, to enable the model to intelligently focus on the key and influential time periods in the runoff process. | ||
| کلیدواژهها [English] | ||
| Golestan Province, Hybrid models, Hydrological forecasting, SARIMA-BiLSTM-GRU, Water resources management | ||
| مراجع | ||
|
Ahmed, A.M., Deo, R.C., Ghahramani, A., Feng, Q., Raj, N., Yin, Z., Yang, L., 2022. New double decomposition deep learning methods for river water level forecasting. Stoten 831, 154722. Baek, S.S., Pyo, J., Chun, J.A., 2020. Prediction of water level and water quality using a CNN-LSTM combined deep learning approach. Water 1(12), 3399. Bai, Y., Bezak, N., Zeng, B., Li, C., Sapač, K., Zhang, J., 2021. Daily runoff forecasting using a cascade long short-term memory model that considers different variables. Water Resour. Manag. 35(4), 1167-118. Beven, K., 2020. Deep learning, hydrological processes and the uniqueness of place. Hydrol. Process. 34, 3608–3613. Boulariah, O., Mikhailov, P.A., Longobardi, A., Elizariev, A.N., Aksenov, S.G., 2021, Assessment of prediction performances of stochastic models: Monthly groundwater level prediction in Southern Italy. J. Groundw. Sci. Eng. 9(2), 161-170. Bowerman, B.L., O’Connell, R., 1993. Forecasting and time series: An applied approach, Third edition, Amazon Publication. Box, G.E., Jenkins, G.M., Reinsel, G.C., 2015. Time series analysis: forecasting and control (Vol. 734). John Wiley & Sons. Chen, S., Huang, J., Huang -Chuan, J.R., 2023. Improving daily streamflow simulations for data-scarce watersheds using the coupled SWAT-LSTM approach. J. Hydrol. 622, 129734. Cho, K., 2014. Learning Phrase Representations using RNN Encoder–Decoder for Statistical Machine Translation. arXiv preprint arXiv:1406.1078. De la Fuente, L.A., Ehsani, M.R., Gupta, H.V., Condon, L.E., 2024. Toward interpretable LSTM-based modeling of hydrological systems. Hydrol. Earth Syst. Sci. 28, 945-971. Fang, J., Yang, L., Wen, X., Li, W., Yu, H., Zhou, T., 2024. A deep learning-based hybrid approach for multi-time-ahead streamflow prediction in an arid region of Northwest China. Hydrol. Res. 55, 180–204. Ghezelsofli, H., Jandaghi, N., Ghareh Mahmoodlu, M., Azimmohseni, M., Seyedian, M., 2022. Modeling and forecasting of monthly runoff in the time domain (case study: River basin Gharasou). Environ. Erosion Res. J. 12(3), 165-188 (in Persian). Hauswirth, S.M., Bierkens, M.F., Beijk, V., Wanders, N., 2021. The potential of data driven approaches for quantifying hydrological extremes. Adv. Water Resour. 155, 104017. Heshmatpour, A., Jandaghi, N., Pasand, S., Ghareh Mahmoodlu, M., 2020. Drought effects on surface water quality in Golestan Province for Irrigation Purposes, Case study: Gorganroud River. Phys. Geograph. Quart. 13(48), 75-88 (in Persian). Hu, X., Shi, L., Lin, G., Lin, L., 2021. Comparison of physical-based, data-driven and hybrid modeling approaches for evapotranspiration estimation. J. Hydrol. 601, 126592. Hyndman, R.J., Khandakar, Y., 2008. Automatic time series forecasting: the forecast package for R. J. Stat. Softw. 22, 1-27. Hyndman, R.J., 2018. Forecasting: principles and practice. OTexts. Jandaghi, N., Azimmohseni, M., Ghareh Mahmoodlu, M., 2021. Rainfall-runoff process modeling using time series transfer function. Environ. Erosion Res. J. 11(2), 111-128 (in Persian). Jordan, I.D., Sokół, P.A., Park, I.M., 2021. Gated recurrent units viewed through the lens of continuous time dynamical systems. Front. Comput. Neurosci. 678158, 15. https://doi.org/10.3389/fncom.2021.678158 Kilinc, H.C., Yurtsever, A., 2022. Short-term streamflow forecasting using hybrid deep learning model based on Grey Wolf Algorithm for hydrological time series. Sustain. 14, 3352. Latif, S.D., Ahmed, A.N., 2023. Streamflow prediction utilizing deep learning and machine learning algorithms for sustainable water supply management. Water Resour. Manag. 37, 3227–3241. Li, G., Yang, N., 2023. A hybrid SARIMA‐LSTM model for air temperature forecasting. Adv. Theory Simul. 6(2), 2200502. Lin, Y., Wang, D., Wang, G., Qiu, J., Long, K., Du, Y., Xie, H., Wei, Z., Shangguan, W., Dai, Y., 2021. A hybrid deep learning algorithm and its application to streamflow prediction. J. Hydrol. 601, 126636. Luo, J., Gong, Y., 2023. Air pollutant prediction based on ARIMA-WOA-LSTM model. Atmos. Pollut. Res. 14, 1-13. Mateus, B.C., Mendes, M., Farinha, J.T., Assis, R., Cardoso, A.M., 2021. Comparing LSTM and GRU models to predict the condition of a pulp paper press. Energ. 14(21), 6958. Moriasi, D.N., Arnold, J.G., Van Liew, M.W., Bingner, R.L., Harmel, R.D., Veith, T.L., 2007. Model evaluation guidelines for systematic quantification of accuracy in watershed simulations. Trans. ASABE 50(3), 885-900. Nacer, S.M., Nadia, B., Abdelghani, R., Mohamed, B., 2023. A novel method for bearing fault diagnosis based on BiLSTM neural networks. Int. J. Adv. Manuf. Technol. 125(3), 1477-1492. Nazeri, Y., Jandaghi, N., Ghareh Mahmoodlu, M., Azimmohseni, M., 2023. Relationship between rainfall and groundwater level using time-lagged regression. J. Water Soil Conserv. 30(2), 27-49 (in Persian). Parisouj, P., Mokari, E., Mohebzadeh, H., Goharnejad, H., Jun, C., Oh, J., Bateni, S.M., 2022. Physics-Informed Data-Driven model for predicting streamflow: A case study of the Voshmgir Basin, Iran. Appl. Sci. 12, 7464. Sarkar, N., Gupta, R., Keserwani, P.K., 2022. Air Quality Index prediction using an effective hybrid deep learning model. Environ. Pollut. 315, 120404. https://doi.org/10.1016/j.envpol.2022.120404 Schuster, M., Paliwal, K.K., 1997. Bidirectional recurrent neural networks. IEEE Trans. Signal Process. 45(11), 2673-2681. Velarde, G., Brañez, P., Bueno, A., Heredia, R., Lopez-Ledezma, M., 2022. An Open Source and Reproducible Implementation of LSTM and GRU Networks for Time Series Forecasting. Eng. Proc. 18(1), 30. Wang, X., Kang, Y., Hyndman, R.J., Li, F., 2022. Distributed ARIMA models for ultra-long time series. Int. J. Forecast. https://doi.org/10.1016/j.ijforecast.2022.05.001. Workneh, H., Jha, M., 2025. Utilizing hybrid deep learning models for streamflow prediction. Water 17(13), 1913. https://doi.org/10.3390/w17131913 Xiang, Z., Yan, J., Demir, I., 2020. A rainfall‐runoff model with LSTM‐based sequence‐to‐sequence learning. Water Resour. Res. 56(1), e2019WR025326. Yang, S., Yang, D., Chen, J., Santisirisomboon, J., Lu, W., Zhao, B., 2020. A physical process and machine learning combined hydrological model for daily streamflow simulations of large watersheds with limited observation data. J. Hydrol. 590, 125206. Zhang, G.P., 2003. Time series forecasting using a hybrid ARIMA and neural network model. Neurocomput. 50, 159-175. | ||
|
آمار تعداد مشاهده مقاله: 151 تعداد دریافت فایل اصل مقاله: 84 |
||