علوم آب و خاک

Mendeley  

Zotero  

Bagherifar M, Hafezparast M. Simulation of the flow of the River using the extreme learning model and the meta-heuristic optimization algorithms of Whale and Grasshopper. jwss 2025; 29 (4) :73-93
URL: http://jstnar.iut.ac.ir/article-1-4483-fa.html

پیش‌بینی جریان رودخانه یکی از جنبه‌های کلیدی هیدرولوژی است که نقش بسزایی در مدیریت منابع آب، کاهش خطرات ناشی از سیل و برنامه‌ریزی کشاورزی ایفا می‌کند. هدف اصلی این مطالعه، شبیه‌سازی دقیق و پیش‌بینی جریان ماهانه رودخانه رازاور در استان کرمانشاه، با توسعه و ارزیابی مدل ترکیبی ماشین یادگیری افراطی (ELM) بهینه‌سازی‌شده توسط الگوریتم‌های فراابتکاری نهنگ (WOA) و ملخ (GOA) است. برای این منظور، داده‌های ماهانه جریان رودخانه، بارندگی، تبخیر و دما برای یک بازه زمانی ۱۰ساله با گام زمانی ماهانه جمع‌آوری و در بازه عددی صفر تا یک نرمال‌سازی شدند. 80 درصد داده‌ها برای آموزش و 20 درصد باقی‌مانده برای ارزیابی مدل‌ها استفاده شد. عملکرد مدل‌ها با شاخص‌های آماریNSE ، RMSE و R² سنجیده شد. ابتدا مدل پایه ELM با استفاده از روش سعی و خطا برای تنظیم وزن‌های بین لایه‌های پنهان و خروجی توسعه یافت. سپس، الگوریتم‌های WOA و GOA برای بهینه‌سازی وزن‌ها به کار گرفته شدند. نتایج نشان داد که مدل پایه ELM نسبت به مدل‌های بهینه‌سازی‌شده عملکرد ضعیف‌تری دارد (آموزش:0/1427=R2=0/7911 ،NSE=0/7795 ،RSME ، تست: 0/1406=R2=0/7916 ،NSE=0/7811 ،RSME. مدل GOA-ELM نسبت به مدل ELM عملکرد بهتر اما نسبت به مدل WOA-ELM عملکرد ضعیف‌تری داشت (آموزش:0/1366 =R2=0/7922 ،NSE= 0/7855 ،RSME ، تست: 7R2=0/7925 ،NSE=0/7859 ،0/1328= .(RSME مدل WOA-ELM نسبت به همه مدل‌ها عملکرد بهتری دارد (آموزش: 0/1215=R2=0/793 ،NSE=0/7869 ،RSME،تست: 0/1165  =R2=0/7933 ،NSE=0/7872 ،RSME). این پژوهش نشان می‌دهد که الگوریتم‌های بهینه‌سازی فراابتکاری به دلیل توانایی جستجوی جامع و جلوگیری از گرفتار شدن در بهینه‌های محلی، نقش مهمی در بهبود عملکرد مدل‌های پیش‌بینی جریان رودخانه دارند. یافته‌های این مطالعه، بر اهمیت به‌کارگیری این تکنیک‌ها در مدیریت منابع آب و برنامه‌ریزی پایدار تأکید می‌کند و زمینه‌ساز پژوهش‌های آتی در این حوزه خواهد بود.