مدل سازی رسوب معلق با استفاده از الگوریتم های یادگیری ماشین در دوره های کم آبی و پرآبی (مطالعه موردی: حوزه آبخیز کشکان)

در این پژوهش با استفاده از الگوریتم های یادگیری به بررسی کارایی مدل های RF، RepTree، GP-PUK، GP-RBF و M5P برای مدل سازی بار معلق رودخانه در استان لرستان شامل حوزه های آبخیز خرم آباد، بیرانشهر و الشتر پرداخته شد. برای انجام این کار از داده های ورودی بارش، دبی، دبی یک روز قبل و میانگین دبی و دبی یک روز قبل هم چنین داده خروجی رسوب معلق در بازه زمانی 18 ساله (سال های 79-80 تا 96-97) استفاده شد. با استفاده از داده های در دسترس منحنی تداوم جریان و منحنی سنجه رسوب را به دست آورده سپس با استفاده از داده های دبی برای هر ایستگاه حد تعیین دوره کم آبی و دوره پرآبی مشخص شد، سپس رسوب معلق به دو دوره رسوب معلق کم آبی و پرآبی تقسیم شد، سپس مدل سازی داده ها (70 درصد داده های آموزش و 30 درصد داده های آزمایش) با استفاده از مدل های ذکر شده انجام شد. نتایج نشان داد باتوجه به معیارهای ارزیابی مدل GP با دو کرنل PUK و RBF در دوره کم آبی و پرآبی عملکرد بهتری را نسبت به سایر مدل ها (RF, RepTree, M5P) داشته است. با توجه به نتایج بخش آزمایش مدل GP-PUK بهترین نتیجه را به ما داده است که به ترتیب ضریب همبستگی، ریشه میانگین مربعات خطا و میانگین خطای مطلق در ایستگاه بهرام جو 0.55، 0.42 و 0.27، هم چنین ایستگاه چم انجیر 0.74، 0.18 و 0.80، در ایستگاه سراب صیدعلی 0.71، 0.16 و 0.07 و در آخر ایستگاه کاکارضا 0.73، 0.24 و 0.15 به دست آمده است. در مجموع مدل GP-PUK به عنوان مدل برتر، قدرت بالاتری برای مدل سازی همه ایستگاه ها در رسوب معلق دوره پرآبی و کم آبی در بخش آزمایش بوده است. لذا با توجه به نتایج به دست آمده از این پژوهش می توان از این مدل های بهینه برای صرفه جویی در هزینه و زمان برای بحث حفاظت آب و خاک و تخمین رسوب معلق خروجی از حوزه های آبخیز استفاده کرد. هم چنین می توان برای اجرای مدیریت بهتر در رابطه با کمیت و کیفیت آب های سطحی، این مدل ها برای تخمین رسوبات معلق ایستگاه های مجاور فاقد آمار دارای شرایط زمین ساختی و هیدرولوژیکی یکسان در سطح منطقه مورد استفاده قرار گیرند و نتایج قابل اعتمادی در رابطه با رسوب معلق ارایه دهند.