انجمن علوم و مهندسی منابع آب تحقیقات منابع آب ایران 1735-2347 22 1 2026 05 22 Evaluation of LSTM Model Performance in Predicting Floods in Arid Regions (Case study: Fakhrabad Watershed, Yazd, Iran) بررسی کارآیی مدل LSTM در پیش‌بینی دبی سیلاب در مناطق خشک (منطقه مورد مطالعه: حوزه فخرآباد یزد) 236873 10.22034/iwrr.2025.504298.2827 FA نسترن وحدتی نسب دانش آموخته کارشناسی ارشد علوم و مهندسی آبخیزداری، دانشکده منابع طبیعی و کویرشناسی، دانشگاه یزد. محمد امین اسدی زارچ دانشگاه یزد Journal Article 2025 02 03 In recent decades, researchers have used various methods, including artificial neural networks, to predict floods. These networks have several subsets. Long Short-Term Memory (LSTM) is an improved version of Recurrent Neural Networks (RNN). Learning long-term dependencies for traditional recurrent neural networks is difficult. The LSTM model, by introducing a memory cell that can retain information for a long time, overcomes this problem. This network has been introduced as an efficient method for flood prediction. In this study, the average flow values of the Baghestan and Tezerjan hydrometric stations in the Fakhrabad area of Yazd province during the period 1398-1370 have been used. The precipitation values of the top ten stations in the study period showed a mild decreasing trend. To evaluate the performance of the LSTM model in predicting flow, the coefficient of determination (R2) and RMSE between the observed flow values and the predicted flow by the LSTM model at the Baghestan and Tezerjan stations on a daily and three-month time scale was calculated. The results showed that among the models used, the LSTM model used for predicting the daily stramflow at the Tezerjan station showed the highest performance with R2 and RMSE values of 0.78 and 0.43, respectively. Overall, the results showed that due to the irregular distribution of precipitation in dry areas, LSTM models have relatively acceptable performance in predicting floods in dry areas. در دهه‌های اخیر محققان برای پیش‌بینی سیل از روش‌های مختلفی از جمله شبکه‌های عصبی مصنوعی استفاده کرده‌اند. این شبکه‌ها چندین زیرمجموعه دارد. حافظه بلندمدت کوتاه‌مدت (LSTM) یک نسخه بهبود یافته از شبکه عصبی بازگشتی (RNN) است. یادگیری وابستگی‌های طولانی‌مدت برای شبکه‌های عصبی بازگشتی سنتی دشوار است. مدل LSTM با معرفی یک سلول حافظه که می‌تواند اطلاعات را برای مدت طولانی نگهداری کند، این مشکل را برطرف می‌کند. این شبکه‌ به عنوان یک روش کارآمد جهت پیش‌بینی سیل معرفی شده است. در این تحقیق مقادیر دبی متوسط ایستگاه‌های هیدرومتری باغستان و طزرجان و مقادیر بارش ایستگاه ده‌بالا در حوزه‌ی فخرآباد استان یزد در دوره ۱۳۷۰ تا ۱۳۹۸ مورد استفاده قرار گرفته است. در دوره آماری مورد مطالعه مقادیر مجموع بارش و دبی متوسط دارای روند کاهشی ملایم بودند. به منظور بررسی کارآیی مدل‌ LSTM در پیش‌بینی دبی، معیارهای ضریب تعیین (R2) و جذر میانگین مربعات خطا (RMSE) بین مقادیر دبی مشاهداتی و دبی پیش‌بینی شده توسط مدل LSTM در ایستگاه‌های باغستان و طزرجان در مقیاس روزانه و سری زمانی سه ماهه محاسبه شدند. نتایج نشان داد در بین مدل‌های مورد استفاده، مدل LSTM به کار رفته برای پیش‌بینی دبی روزانه ایستگاه طزرجان با R2 و RMSE به ترتیب ۷8/۰ و 43/0 از عملکرد بالاتری برخوردار است. به طور کلی نتایج نشان داد با توجه به پراکنش نامنظم بارش در مناطق خشک، مدل‌های LSTM در پیش‌بینی سیلاب در مناطق خشک دارای عملکرد نسبتا قابل قبولی می‌باشند.