مقایسه عملکرد مدل‌های XBeach، LightGBM و DBN به‌منظور پیش‌بینی سیلاب (مطالعه موردی: حوزه‌آبخیز طالقان)

طاوسی راد, رامتین; پیری, صدف; انصاری قوجقار, محمد

doi:10.22034/iwm.2026.2077954.1254

مقایسه عملکرد مدل‌های XBeach، LightGBM و DBN به‌منظور پیش‌بینی سیلاب (مطالعه موردی: حوزه‌آبخیز طالقان)

مقالات آماده انتشار

نوع مقاله : مقاله پژوهشی

نویسندگان

رامتین طاوسی راد

صدف پیری

محمد انصاری قوجقار

گروه مهندسی احیاء مناطق خشک و کوهستانی، دانشکده منابع طبیعی، دانشگاه تهران، کرج، ایران

10.22034/iwm.2026.2077954.1254

چکیده

چکیده مبسوط
مقدمه: در دهه‌های اخیر، افزایش شدت و فراوانی رخدادهای سیلابی به‌دلیل تغییرات اقلیمی، رشد شهرنشینی و تخریب اراضی به یکی از چالش‌های اصلی در مدیریت جامع حوزههای آبخیز و آبخیزداری شهری تبدیل شده است. وقوع سیلاب‌های ناگهانی در حوزه‌های کوهستانی کشور ازجمله حوزه آبخیز طالقان، پیامدهایی نظیر فرسایش خاک، آسیب به زیرساخت‌ها و تهدید منابع آبی را در پی دارد. در این میان، پیش‌بینی دقیق دبی سیلاب و رفتار هیدرولوژیکی حوزه‌های آبخیز، لازمه تصمیم‌گیری به‌موقع در سامانه‌های هشدار سریع و مدیریت ریسک است. در این راستا. پژوهش حاضر با هدف ارزیابی و مقایسه عملکرد سه مدل XBeach،DBN و LightGBM به‌مظور پیش‌بینی دبی بیشینه ماهانه سیلاب در حوزه آبخیز طالقان انجام گرفت.
موادوروش‌ها: داده‌های مورد استفاده شامل سری‌های زمانی دبی ماهانه ایستگاه‌های هیدرومتری منطقه طی دوره ۳۰ ساله (1400–1371) بود. برای ارزیابی اثر حافظه زمانی، چهار ترکیب فصلی مختلف طراحی شد که به‌ترتیب شامل تأخیرهای یک تا چهار فصل (هر فصل سه ماهه) در مدل‌سازی دبی بودند. داده‌ها پس از پیش‌پردازش، استانداردسازی و تفکیک به مجموعه‌های آموزش (80 درصد) و آزمون (20 درصد) در قالب سه مدل در نرم‌افزار برنامه نویسیR مورد بررسی قرار گرفتند. مدل فیزیکی XBeach به‌عنوان پایه فرآیندی تحلیل شد درحالی‌که مدل DBN با استفاده از ساختار شبکه‌های بیزین دینامیکی و لایه‌های پنهان احتمالاتی به‌منظور بازنمایی وابستگی‌های زمانی داده‌ها پیاده‌سازی گردید. مدل LightGBM نیز به‌صورت گرادیان تقویتی درختی و با بهینه‌سازی پارامترهای یادگیری و رشد غیرسطحی درختان طراحی شد. ارزیابی عملکرد مدل‌ها با استفاده از شاخص‌های آماری NSE، RMSE، MAE و ضریب همبستگی (R) انجام پذیرفت.
نتایج و بحث: نتایج به‌دست‌آمده نشان داد که مدل LightGBM در تمامی ایستگاه‌ها و در تمام ترکیب‌های زمانی به‌طور محسوس عملکرد بهتری نسبت به دو مدل دیگر داشته است. این مدل با ثبت مقادیر شاخص نش- ساتکلیف در بازه 908/0 تا 931/0 و ضریب همبستگی بین 896/0 تا 918/0، بالاترین میزان انطباق با داده‌های مشاهده‌شده را نشان داد. همچنین مقادیر خطای RMSE برای مدل LightGBM در ایستگاه‌های مورد مطالعه در بازه 079/0 تا 131/0 قرار داشت که بیان‌گر دقت بالای مدل در پیش‌بینی دبی بیشینه ماهانه است. مدل DBN عملکرد خوبی با مقادیر نش-ساتکلیف بین 864/0 تا 896/0 و ضریب همبستگی 816/0 تا 832/0 ارائه داد در حالی که مدل عددی XBeach با ثبت مقادیر نش- ساتکلیف 834/0 تا 862/0 و همبستگی 807/0 تا 823/0 دقت پایین‌تری نسبت به دو مدل داده‌محور داشت. با وجود برتری نسبی مدل DBN نسبت به XBeach، اختلاف عملکرد این دو مدل در اغلب ترکیب‌های زمانی از نظر آماری معنیدار نبود. علاوه بر این، توانایی مدل LightGBM در بازتولید نوسانات فصلی و روندهای شدید جریان نسبت به سایر مدل‌ها چشم‌گیرتر بود. مدل DBNنیز در مقایسه با XBeach عملکرد بهتری داشت اما اختلاف آماری حاصل از معیارهایِ ارزیابیِ میان این دو مدل در اکثر ترکیب‌ها قابل‌توجه نبود. با توجه به پیچیدگی ساختار شبکه‌ای، زمان محاسبات بالا و هزینه تنظیم پارامترهای DBN، استفاده از مدل عددی XBeach به‌عنوان گزینه‌ای کارآمدتر از نظر اقتصادی و اجرایی توصیه می‌شود. در مقابل، توانایی LightGBM در ترکیب ویژگی‌های غیرخطی داده‌های ورودی و یادگیری الگوهای پیچیده سبب شد تا این مدل به‌عنوان دقیق‌ترین و پایدارترین گزینه برای پیش‌بینی جریان معرفی گردد.
نتیجه‌گیری: بررسی‌های همبستگی میان داده‌های مشاهداتی و پیش‌بینی‌شده نشان داد که نقاط حاصل از مدل LightGBM بیش‌ترین تراکم را در امتداد خط همبستگی یک‌به‌یک داشته و کم‌ترین پراکندگی را نشان می‌دهند در حالی‌که مدل‌های XBeach و DBN انحراف بیش‌تری از خط همبستگی داشتند. این یافته‌ها با نتایج مطالعات اخیر که کارایی الگوریتم‌های گرادیان تقویتی در پیش‌بینی جریان و سیلاب را گزارش کرده‌اند، مطابقت دارد. در مجموع، یافته‌های پژوهش حاضر بیان‌گر آن است که با بهره‌گیری از مدل‌های داده‌محور سبک و سریع مانند LightGBM می‌توان باعث توسعه سامانه‌هایِ پیش‌بینیِ سیلاب در حوضه‌های کوهستانی نظیر طالقان شد. دقت بالا، قابلیت به‌روزرسانی سریع، نیاز محاسباتی پایین و امکان ادغام با داده‌های سنجش‌‌ازدور این مدل را به گزینه‌ای مناسب برای کاربرد در سامانه‌هایِ هشدارِ سریع و مدیریتِ هوشمندِ منابع آب تبدیل کرده است. با توجه به پیچیدگی ساختار شبکه‌ای و هزینه محاسباتی بالاتر DBN، استفاده از مدل XBeach به‌عنوان گزینه‌ای اجرایی‌تر در رتبه دوم پیشنهاد می‌شود. نوآوری اصلی این پژوهش در ارائه یک مقایسه کمی و سیستماتیک بین مدل‌های داده‌محور سبک، یادگیری عمیق و مدل فرآیندی فیزیکی برای پیش‌بینی دبی بیشینه ماهانه و همچنین تحلیل حساسیت عملکرد آن‌ها نسبت به طول حافظه زمانی ورودی‌ها است که منجر به ارائه یک چارچوب تصمیم‌گیری عملیاتی مبتنی بر دقت و هزینه محاسباتی می‌شود.

کلیدواژه‌ها

سامانه‌های هشدار سیلاب، مدل‌های داده‌محور، یادگیری ماشین، یادگیری عمیق

موضوعات