برآورد ضریب رواناب رگبار با استفاده از هوش مصنوعی (مطالعه موردی: حوضه آبخیز کسیلیان)

در تحقیق پیش رو تخمین ضریب رواناب با توجه به تاثیر پوشش گیاهی انجام ‏شده است. ابتدا مدل‏سازی ضریب رواناب با استفاده از داده‏های سیلاب و رگبار ساعتی طی دوره آماری 1366 1388 انجام شده و ضرایب رواناب حوضه آبخیز کسیلیان تهیه شد. در مرحله بعد، با استفاده از مدل‏های شبکه عصبی مصنوعی (ANN)، شبکه عصبی فازی تطبیقی (ANFIS) و رگرسیون بردار پشتیبان (SVR) و عوامل موثر شامل شدت بارش، مقدار شاخص ، بارش 5 روز قبل و شاخص نرمال شده اختلاف پوشش گیاهی (NDVI) ضریب رواناب در مقیاس رگبار برآورد شد. سپس، صحت و اهمیت هر یک از عوامل موثر بر ضریب رواناب حوضه آبخیز کسیلیان ارزیابی شد. نتایج نشان داد از بین سه مدل ANN، ANFIS و SVR، مدل ANN با مجذور میانگین مربعات خطا، ضریب تبیین، میانگین خطای اریبی و ضریب نش ساتکلیف به ترتیب 08/0، 85/0، 84/0 و 01/0 در مرحله آموزش و 12/0، 76/0، 74/0 و 03/0- در مرحله آزمایش به عنوان مدل کارا در ارتباط با پیش‏بینی ضریب رواناب است. در مجموع، پیشنهاد می‏شود با توجه به اینکه ضریب رواناب کارکرد زیادی در فرایندهای هیدرولوژیک و بروز سیل دارد، بنابراین تخمین بهینه آن می‏تواند به مدیریت بهتر حفاظت آب و خاک و مدیریت فرسایش و رسوب حوضه آبخیز کمک کند.