Natural Disasters

fa به‌کارگیری شبکه‌های عصبی عمیقِ ترنسفورمر در پیش‌بینی کوتاه‌مدت دبی رودخانه با استفاده از داده‌های هیدرولوژیکی؛ مطالعه موردی: رودخانه گرگان‌رود Application of deep transformer neural networks for short-term river discharge prediction using hydrological data; case study: the Gorganrud river عمومى General پژوهشي Research <div style="text-align: justify;">هدف: هدف این پژوهش ارائه روشی مبتنی بر یادگیری عمیق برای پیش‌بینی کوتاه‌مدت دبی رودخانه گرگان‌رود در ایستگاه آق‌قلا و سنجش توانایی مدل ترنسفورمر در بازتولید روندهای کوتاه‌مدت و شرایط بحرانی است. ضرورت این تحقیق از افزایش فراوانی و شدت رخدادهای سیلابی نشأت می‌گیرد، زیرا این روند، نیاز به ابزارهای پیش‌بینی سریع و دقیق برای پشتیبانی تصمیم‌گیری مدیریت منابع آب و سامانه‌های هشدار را تشدید کرده است. برای پاسخ به این نیاز، شبکه عصبی حافظه طولانی کوتاه‌مدت در نقش مرجع مقایسه‌ای مورد استفاده قرار گرفت تا توانایی روش پیشنهادی سنجیده شود. روش پژوهش: داده‌های روزانه دبی، بارش و تبخیر ورودی مدل در این پژوهش بودند که پس از نرمال‌سازی و تبدیل به توالی‌های ده‌روزه وارد مدل‌ شدند. تقسیم‌بندی زمانی به‌طور تقریبی شامل ۱۰ سال برای آموزش، ۱ سال برای آزمایش و ۱ سال برای ارزیابی (شامل رخداد سیلاب) بود تا پایداری مدل‌ در شرایط عادی و بحرانی سنجیده شود. مدل ترنسفورمر با مکانیزم توجه در شناسایی وابستگی‌های بلندمدت و روابط پیچیده بین متغیرهای ورودی را دارد و پردازش موازی موجب آموزش سریع‌تر و پایدارتر در مسائل سری‌زمانی می‌گردد. هر دو مدل برای پیش‌بینی افق‌های زمانی یک، دو و سه‌روزه آموزش و با معیارهای ریشه میانگین مربعات خطا و پارامتر نش-ساتکلیف ارزیابی شدند. یافته‌ها: در افق یک‌روزه، مدل ترنسفورمر با ریشه میانگین مربعات خطا برابر با 03/0 و ضریب نش-ساتکلیف برابر با 92/0 عملکرد برتری نشان داد. با افزایش افق زمانی پیش‌بینی به دو و سه روز، دقت هر دو مدل کاهش یافت به‌طوری‌که ریشه میانگین مربعات خطا در حدود 064/0 و 068/0 گزارش شد که نشان‌دهنده پیچیدگی و غیرخطی بودن سیستم هیدرولوژیکی است. مقایسه کمی و نموداری نشان می‌دهد ترنسفورمر در بازتولید روند کلی و ردیابی اوج‌ دبی در دوره بحرانی عملکرد مطلوبی دارد. نتیجه‌گیری: نتایج پژوهش نشان می‌دهد که ترنسفورمر به‌عنوان یک ابزار مؤثر برای پیش‌بینی کوتاه‌مدت دبی و پشتیبانی از سامانه‌های هشدار زودهنگام و تصمیم‌گیری مدیریت منابع آب مناسب است. این روش می‌تواند ابزاری کمکی در تصمیم‌گیری برای مدیران منابع آب و سامانه‌های هشدار سریع و برنامه‌ریزان کاهش خطر سیلاب باشد.  </div> <div style="text-align: justify;">Objective: This study presents a deep learning–based approach for short-term discharge prediction at the Aq Qala station on the Gorganrud River and evaluates the Transformer model's ability to reproduce short-term trends and critical conditions. The necessity of this research arises from the increasing frequency and intensity of flood events, which underscore the need for rapid, accurate forecasting tools to support water resource management decisions and early warning systems. To address this need, a Long Short-Term Memory (LSTM) neural network was used as a comparative benchmark to evaluate the proposed method's performance. Method: Daily discharge, precipitation, and evaporation data were used as model inputs. After normalization and transformation into ten-day sequences, the data were fed into the model. The temporal segmentation included approximately ten years for training, one year for testing, and one year for evaluation (including a flood event) to assess model stability under both normal and extreme conditions. The Transformer model, with its attention mechanism, captures long-term dependencies and complex relationships among input variables. Its parallel processing capability enables faster, more stable training for time-series problems. Both models were trained for one-, two-, and three-day forecasting horizons and evaluated using the Root Mean Square Error (RMSE) and Nash–Sutcliffe Efficiency (NSE) criteria. Results: For the one-day horizon, the Transformer model outperformed the LSTM, achieving an RMSE of 0.03 and an NSE of 0.92. As the forecasting horizon increased to two and three days, the accuracy of both models decreased, with RMSE values of approximately 0.064 and 0.068, respectively, reflecting the nonlinear and complex nature of hydrological systems. Quantitative and graphical comparisons indicate that the Transformer model performs better in reproducing overall discharge trends and capturing peak flows during critical periods. Conclusion: The results demonstrate that the Transformer model is an effective tool for short-term river discharge prediction and can support early warning systems and decision-making in water resource management. This approach can serve as an auxiliary tool for water managers, rapid warning systems, and flood risk reduction planners.</div> پیش‌بینی دبی, ترنسفورمر, حافظه طولانی کوتاه‌مدت, سیلاب, هشدار زودهنگام. Discharge prediction, Transformer, Long Short-Term Memory (LSTM), Flood, Early warning. 83 94 http://disaster.ndri.ac.ir/browse.php?a_code=A-10-78-1&slc_lang=fa&sid=1 Mohammad Hossein Naseri محمدحسین ناصری m.naseri1@email.kntu.ac.ir 1003194753284600176 1003194753284600176 No Department of Photogrammetry and Remote Sensing, Faculty of Surveying Engineering, K. N. Toosi University of Technology, Tehran, Iran. گروه فتوگرامتری و سنجش‌ازدور، دانشکده مهندسی نقشه‌برداری، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران. Hamid Ebadi حمید عبادی ebadi@kntu.ac.ir 1003194753284600177 1003194753284600177 No Faculty of Geodesy and Geomatics Engineering, K.N Toosi University of Technology, Tehran, Iran. گروه فتوگرامتری و سنجش‌ازدور، دانشکده مهندسی نقشه‌برداری، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران. Abbas kiani عباس کیانی a.kiani@nit.ac.ir 1003194753284600178 1003194753284600178 Yes Faculty of Civil Engineering, Babol Noshirvani University of Technology, Babol, Iran. گروه نقشه‌برداری، دانشکده مهندسی عمران، دانشگاه صنعتی نوشیروانی بابل، مازندران، ایران.