دانشگاه گلستان پژوهش‌های تغییرات آب و هوایی 2717-2066 7 25 2026 04 21 Evaluation of the integration of LSTM Recurrent Neural Network with deep learning metaheuristic algorithms for flood modeling in the Taleghan watershed ارزیابیِ تلفیقِ شبکه عصبی بازگشتی LSTM با الگوریتم‌هایِ فراکاوشیِ یادگیریِ عمیق به‌منظور مدلسازی سیلاب در حوزه آبخیز طالقان 47 64 241863 10.30488/ccr.2026.562118.1317 FA رامتین طاوسی راد دانشجوی کارشناسی‌ارشد، گروه مهندسی احیاء مناطق خشک و کوهستانی، دانشکده منابع طبیعی، دانشگاه تهران، کرج، ایران 0009-0006-3284-2140 محمد انصاری قوجقار استادیار، گروه مهندسی احیاء مناطق خشک و کوهستانی، دانشکده منابع طبیعی، دانشگاه تهران، کرج، ایران 0000-0003-0485-5551 Journal Article 2025 11 25 Accurate river flow forecasting is a fundamental challenge in water resources management and flood warning system design. In this study, aiming to evaluate the efficiency of new deep learning models in predicting daily maximum flow, four models including LSTM, GRU-LSTM, ConvLSTM and S-LSTM were compared in five hydrometric stations of the Taleghan watershed. After data pre-processing and extraction of time-lag scenarios, the models were evaluated based on RMSE, MAE, NSE, and correlation coefficient indices in the training and test sets. The results showed that the time-memory-based models LSTM and GRU-LSTM provided significantly more accurate performance than the spatiotemporal models and developed versions. The GRU-LSTM model recorded the best accuracy with NSE higher than 0.95 and very low error, but statistical analysis showed that its difference with the LSTM model is not significant, so that the LSTM algorithm offers almost the same level of accuracy with less computational cost. In contrast, ConvLSTM and S-LSTM performed weaker and the greater dispersion of points in the correlation diagrams indicated their limitations in modeling univariate time series. Visual analysis of the correlation diagrams also showed that LSTM and GRU-LSTM had the most matching with the correlation line and were able to reconstruct temporal patterns of flow, especially peaks and troughs. Considering the balance between accuracy, stability and computational cost, the LSTM model is proposed as the final and optimal option for predicting daily maximum flow in the Taleghan watershed پیش‌بینی دقیق دبی رودخانه‌ها یکی از چالش‌های اساسی در مدیریت منابع آب و طراحی سامانه‌هایِ هشدار سیلاب است. در پژوهش حاضر با هدف ارزیابی کارایی مدل‌های نوین یادگیریِ عمیق در پیش‌بینی دبی بیشینه روزانه، چهار مدل شامل LSTM GRU -LSTM، ConvLSTM و S-LSTM در پنج ایستگاه هیدرومتری حوزه آبخیز طالقان مقایسه شدند. پس از پیش‌پردازش داده‌ها و استخراج سناریوهای تأخیر زمانی، مدل‌ها بر اساس شاخص‌هایRMSE ، MAE، NSE و ضریب همبستگی در مجموعه‌های آموزش و آزمون ارزیابی شدند. نتایج نشان داد که مدل‌های مبتنی بر حافظه زمانی LSTM و GRU-LSTM عملکرد به‌مراتب دقیق‌تری نسبت به مدل‌های مکانی زمانی و نسخه‌های توسعه داده‌شده ارائه دادند. مدلGRU-LSTM بهترین دقت را با NSE بالاتر از 95/0 و خطای بسیار پایین ثبت کرد اما نتایج آزمون آماری t-student نشان داد که اختلاف آن با مدل LSTM معنادار نیست؛ به‌گونه‌ای که الگوریتم LSTM تقریباً همان سطح دقت را با هزینه محاسباتی کمتر ارائه می‌دهد. در مقابل، ConvLSTM و S-LSTM عملکرد ضعیف‌تری داشتند و پراکندگی بیشتر نقاط در نمودارهای همبستگی بیان‌گر محدودیت آن‌ها در مدل‌سازی سری‌های زمانی تک‌متغیره بود. تحلیل بصری نمودارهای همبستگی نیز نشان داد که LSTM و GRU-LSTM بیشترین انطباق را با خط همبستگی داشته و قادر به بازسازی الگوهای زمانی جریان به‌ویژه پیک‌ها و افت‌ها بودند. با توجه به تعادل میان دقت، پایداری و هزینه محاسباتی، مدل LSTM به‌عنوان گزینه نهایی و بهینه برای پیش‌بینی دبی بیشینه روزانه در حوضه آبخیز طالقان پیشنهاد می‌شود

https://ccr.gu.ac.ir/article_241863_aedd0a21e664ea09024cc346b394c3a6.pdf