مرور و ارزیابی روشهای تحلیل عدم قطعیت مدل های هوش مصنوعی در برآورد سیلاب با رویکرد یادگیری عمیق

فراوانی وقوع سیلاب های اخیر در کشور و وارد نمودن خسارات سنگین جانی و اقتصادی، اهمیت برآورد دقیق سیلابها جهت مدیریت و مهار آنهارا بیش از پیش آشکار ساخته است. مدلهای یادگیری عمیق از روشهای موثر هوش مصنوعی در پیش بینی سیلاب هستند اما بعلت ماهیت پیچیدهسیلاب ها، خطاهای احتمالی داده ها و ساختار مدل، اعتبار نتایج آنها همواره بایستی با در نظرگرفتن منابع عدم قطعیت ارزیابی شود. هدف تحقیقحاضر، مروری بر مفاهیم عدم قطعیت، منابع آن در پیش بینی سیلاب و مدل های یادگیری عمیق، ارزیابی روشهای به کمیت درآوردن عدم قطعیت ومقایسه عملکرد این مدلها نسبت به سایر روشهای سنتی هوش مصنوعی و یادگیری ماشین است که بدین منظور، مدل های CNN ، LSTM ، GRU ،روشهای تحلیل عدم قطعیت MCMC ، GLUE ، SCEM-UA ، DREAM-ZS ، مزایا و محدودیت های هریک و شاخص های ارزیابی آنهامعرفی شده است. براساس نتایج برخی پژوهش ها و با توجه به معیار ارزیابی NSE که برای مدلهای یادگیری عمیق در بازه ۸۵ / ۰ تا ۹۸ / ۰ و برای سایرمدلهای هوش مصنوعی در بازه ۵۹ / ۰ تا ۹۴ / ۰ بوده است و همچنین برتری مدل LSTM با معیار ۷ /% ۲۱ = NRMSE نسبت به مدل SVM با %۶ / ۵۶ = NRMSE مشخص گردید که در کل، مدل های یادگیری عمیق از دقت بالاتری نسبت به مدل های سنتی یادگیری ماشین برخوردارند. همچنیننتایج شاخص های ارزیابی تحلیل عدم قطعیت (P-factor در بازه ۶ /% ۶۱ تا % ۰ / ۹۷ ، r-factor در بازه ۴۷ / ۰ تا ۸ / ۰ و TUI های ۲۲ / ۱ و ۱/۵۳) بیانگر پوشش مناسب محدوده اطمینان مدلهای یادگیری عمیق میباشد و روشهای مونت کارلو نسبت به روش GLUE نتایج بهتری ارائه نموده اند.