استفاده از مدل های هوش مصنوعی برای مدل سازی رسوب معلق در حوضه های با اجرای عملیات آبخیزداری (منطقه مورد مطالعه: حوضه قلعه گل استان لرستان)

در سال های اخیر عملیات اجرایی زیادی از نظر کنترل سیل، فرسایش و رسوب در زمینه های تحقیقاتی، مطالعاتی و اجرایی آبخیزداری انجام شده است. لذا این تحقیق با هدف استفاده از برخی مدل های هوش مصنوعی برای مدل سازی رسوب معلق خروجی دو زیرحوضه شمالی و جنوبی حوزه آبخیز قلعه گل استان لرستان انجام شد. در این تحقیق برای اندازه گیری رسوب معلق و جریان خروجی هر دو زیرحوضه، در زمان شروع بارندگی تا پایان بارندگی و رسیدن ارتفاع جریان رودخانه به دبی پایه، اندازه گیری سرعت جریان و نمونه برداری از بار رسوب معلق و جریان خروجی به صورت مستقیم و میدانی از زیر حوضه ها انجام گرفت. در ادامه از الگوریتم های یادگیری GP (با دو کرنل PUK و RBF)، MLP و RF برای  مدل سازی رسوب معلق استفاده شد. داده های ورودی مدل ها شامل داده های هم زمان دما، بارش و دبی جریان و داده خروجی شامل رسوب معلق خروجی بود. 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 بخش اندازه گیری میدانی و آزمایشگاهی نشان داد که در تمام اندازه گیری ها میزان دبی و رسوب زیرحوضه جنوبی با عملیات آبخیزداری اجرا شده بیش از زیرحوضه شمالی بدون اجرای عملیات آبخیزداری بود. علاوه بر این نتایج حاصل از ارزیابی مدل ها نشان داد که در زیرحوضه های شمالی و جنوبی، مدل GP-RBF دارای بهترین نتایج بوده که این نتایج برای بخش آزمایش زیرحوضه شمالی با توجه به معیارهای ارزیابی C.C، RMSE، MAE و NSE به ترتیب برابر 0/9509، 0/067، 0/041 و 0/0924 همچنین در بخش آزمایش زیرحوضه جنوبی مقدار این معیارها به ترتیب برابر 0/966، 0/048، 0/037 و 0/932 است و به عنوان بهترین مدل انتخاب شد. تحلیل حساسیت پارامترهای ورودی مدل GP-RBF نشان داد که دبی جریان خروجی مهم ترین ویژگی ورودی در پیش بینی رسوب معلق خروجی برای هر دو زیرحوضه شمالی و جنوبی بود.