مدل سازی رسوب انحلالی با استفاده از الگوریتم های یادگیری ماشین در دوره های کم آبی و پرآبی (مطالعه موردی: حوضه های آبخیز خرم آباد، بیرانشهر و الشتر، استان لرستان)

این تحقیق با استفاده از الگوریتم های یادگیری ماشین به بررسی کارآیی مدل های RF, RepTree, GP-PUK, GP-RBF, M5P برای مدل سازی بارانحلالی در زیرحوضه های خرم آباد، بیرانشهر و الشتر در استان لرستان پرداخته شد. داده های ورودی شامل بارش، دبی، دبی یک روز قبل، میانگین دبی (دبی همان روز و یک روز قبل) همچنین داده خروجی رسوب انحلالی رودخانه ها می باشد. در این تحقیق برای مدل سازی در مرحله آموزش 70 درصد داده ها و در مرحله آزمایش 30 درصد باقی مانده مورد استفاده قرار گرفتند. در نهایت برای مقایسه نتایج مدل های مختلف و انتخاب بهترین مدل، از معیارهای سنجش خطای ریشه میانگین مربعات خطا (RMSE)، ضریب همبستگی (C.C) و میانگین مربعات خطا (MAE) استفاده شد. نتایج نشان داد باتوجه به معیارهای ارزیابی مدل GP با دو تابع کرنل PUK و RBF در دوره پرآبی و کم آبی عملکرد بهتری را نسبت به سایر مدل ها داشته است. نتایج به دست آمده در دوره پرآبی نشان داد که در ایستگاه های چم انجیر، سراب صیدعلی و کاکارضا مدل GP-RBF و در ایستگاه هیدرومتری بهرام جو مدل GP-PUK با بیشترین ضریب همبستگی و کمترین خطا در مرحله آزمایش به عنوان مدل های بهینه برای تخمین بار انحلالی انتخاب شدند. همچنین در ایستگاه های هیدرومتری بهرام جو، چم انجیر و سراب صیدعلی مدل GP-RBF و در ایستگاه هیدرومتری کاکارضا مدل GP-PUK به عنوان مدل بهینه برای تخمین بار انحلالی در دوره کم آبی انتخاب شدند. بنابراین، با توجه به نتایج به دست آمده، می توان برای مدیریت کیفیت و کمیت منابع آب سطحی از مدل های بهینه GP-PUK و GP-RBF برای تخمین بار انحلالی رودخانه های فاقد ایستگاه هیدرومتری در حوضه های کارستی استفاده کرد.