تنبؤ الفيضانات باستخدام نماذج بروفت و LSTM: دراسة حالة لسلطنة سيلهيت، بنغلاديش

الملخص الفيضانات هي مشكلة هامة في سلطنة سيلهيت، بنغلاديش، حيث يتسبب الفيضانات المفاجئة المتكررة، بالإضافة إلى أنواع أخرى من الفيضانات مثل الفيضانات النهرية والفيضانات المطرية والفيضانات الساحلية، في تكبد تكاليف بيئية واقتصادية قوية. تبحث هذه الدراسة كيف يمكن لتقنيات التعلم الآلي والتعلم العميق تحسين دقة تنبؤ الفيضانات. تم استخدام شبكة الذاكرة طويلة وقصيرة الأجل (LSTM) لتطوير نوعين مختلفين من النماذج، لتحسين دقة التنبؤات قصيرة المدى، وتم استخدام نموذج بروفت لتمثيل الاتجاهات الموسمية طويلة الأجل. تم استخدام مجموعة بيانات لمدة 30 عامًا (1994–2023) من المتغيرات الهيدرولوجية والأرصاد الجوية من موقع مراقبة واحد لبناء هذه النماذج. حقق نموذج LSTM أداءً قويًا، مع R² = 0.96 و RMSE = 0.65 م لفترة تقدم مدتها يوم واحد، و R² = 0.85 مع RMSE = 1.28 م لفترة تقدم مدتها سبعة أيام. كما أظهر نموذج بروفت أداءً جيدًا في نمذجة أنماط الفيضانات متعددة السنوات ( R² = 0.83، RMSE = 1.39 م). معًا، توفر هذه النماذج نظامًا مكملًا للتنبؤ بالفيضانات على المدى القصير والطويل. على الرغم من أن جميع التحليلات تعتمد على محطة قياس واحدة، إلا أنها تظهر الإمكانية للتمديد لأساليب التنبؤ المتكاملة إلى نظام متعدد المحطات، مما يسهم في تطوير أطر شاملة للتنبؤ بالفيضانات وتحذيرات مبكرة في المناطق المعرضة للخطر.