بررسی کارایی مدل های مبتنی بر هوش محاسباتی در برآورد بار معلق رودخانه ها (مطالعه موردی: استان گیلان)

آگاهی از میزان رسوب معلق رودخانه ها یکی از مسائل اساسی در پروژه های آبی است که طراحان تاسیسات آبی همواره با آن روبرو بوده اند. با توجه به صرف هزینه و زمان طولانی جهت اندازه گیری بار معلق رودخانه ها، استفاده از منحنی های سنجه رسوب معمول ترین روش برآورد بار رسوب معلق رودخانه ها محسوب می گردد. این در حالی است که روش های نوین مبتنی بر هوش مصنوعی و داده کاوی در بسیاری از علوم مهندسی رخنه کرده است. بر همین اساس هدف اصلی این تحقیق به چالش کشیدن توانمندی روش کلاسیک برآورد بار معلق در مقایسه با برخی روش های نوظهور می باشد. ما در این پژوهش شش مدل،K نزدیک ترین همسایه، شبکه عصبی پس انتشار خطا، فرآیند گوسی، درخت تصمیم گیری M5، ماشین بردار پشتیبان و ماشین بردار پشتیبان تکاملی را انتخاب و به مقایسه آنها با مدل سنجه رسوب در هشت حوزه آبخیز واقع در استان گیلان پرداختیم. طول دوره آماری داده های ورودی به مدل ها به صورت روزانه و 30 ساله در نظر گرفته شد. ارزیابی نتایج حاصله نشان داد مدل فرآیند گوسی در مقایسه با سایر مدل ها، با کمترین مجموع مربعات باقیمانده (RMSE) (متوسط مجموع مربعات باقی مانده= 05/37 در هشت حوزه) و بیشترین ضریب همبستگی (r) (متوسط ضریب همبستگی 72/0 در هشت حوزه) و با بهترین ضریب ناش- ساتکلیف (متوسط 66/0 در هشت حوزه) نسبت به سایر مدل ها از کارآیی بیشتری برخوردار است. لذا استفاده از مدل های مذکور به جای روش های معمول برآورد بار معلق می تواند دقت این برآوردها را به میزان قابل ملاحظه ای بهبود بخشد.