تنبؤ التدفق الشهري لنهر شيجيانغ باستخدام وحدة تكرارية مسيجة، تحويل المويجة المتقطعة، وتحليل النمذجة التغيرية

أصبحت الشبكات العصبية تستخدم على نطاق واسع في توقع تدفق المجرى المائي بسبب قدرتها على التقاط العمليات الهيدرولوجية المعقدة وتوفير تنبؤات دقيقة. في هذه الدراسة، نقترح إطار عمل لتنبؤ التدفق الشهري باستخدام التدفق الشهري السابق، مستوى المياه، والهطول. يدمج هذا الإطار تحويل المويجة المتقطعة (DWT) لإزالة الضوضاء، تحليل النمذجة التغيرية (VMD) لاستخراج التتابعات الفرعية، وشبكات الوحدة التكرارية المسيجة (GRU) لنمذجة التتابعات الفرعية الفردية. تظهر نتائجنا أن نموذج DWT–VMD–GRU، الذي يستخدم تدفقات المياه وسلاسل زمنية للهطول كمدخلات، يتفوق على نماذج أخرى مثل GRU، وذاكرة طويلة وقصيرة الأمد (LSTM)، وDWT–GRU، وDWT–LSTM، ويظهر أداءً متفوقاً باستمرار عبر مقاييس تقييم متنوعة. خلال مرحلة الاختبار، حقق نموذج DWT–VMD–GRU قيم RMSE وMAE وMAPE وNSE وKGE قدرها 245.5 م3/ث، 200.5 م3/ث، 0.033، 0.997، و0.978 على التوالي. بالإضافة إلى ذلك، تتراوح الفترات المثلى للنوافذ المنزلقه لمجموعات المدخلات المختلفة عادة بين 1 إلى 3 أشهر، حيث حقق نموذج DWT–VMD–GRU (باستخدام التدفق والهطول) الأداء الأمثل مع نافذة منزلقة لمدة شهر واحد. تعزز دقة النموذج الفائقة إدارة موارد المياه، والتحكم في الفيضانات، وتشغيل الخزانات، مما يدعم اتخاذ قرارات أكثر استنارة وتخصيص موارد بكفاءة.