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 شده­است. لذا این تحقیق با هدف استفاده از برخی مدل­ های هوش مصنوعی برای مدل­سازی رسوب­معلق خروجی دو زیرحوضه شمالی و جنوبی حوزه ­آبخیز قلعه گل استان لرستان انجام شد. در این تحقیق برای اندازه­گیری رسوب­معلق 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 به­صورت مستقیم و میدانی از زیر­حوضه ­ها انجام گرفت. در ادامه از الگوریتم­ های یادگیری GP (با دو کرنل PUK و RBF)، MLP و RF برای  مدل­سازی رسوب­معلق استفاده شد. داده های ورودی مدل­ ها شامل داده­ های هم زمان دما، بارش و دبی جریان و داده خروجی شامل رسوب­معلق خروجی بود. در این تحقیق برای مدل سازی در مرحله آموزش ۷۰ درصد داده ها و در مرحله آزمایش ۳۰ درصد باقی­مانده 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 به­ترتیب برابر ۰/۹۵۰۹، ۰/۰۶۷، ۰/۰۴۱ و ۰/۰۹۲۴ همچنین در بخش آزمایش زیرحوضه جنوبی مقدار این معیارها به­ترتیب برابر ۰/۹۶۶، ۰/۰۴۸، ۰/۰۳۷ و ۰/۹۳۲ است و به­عنوان بهترین مدل انتخاب شد. تحلیل حساسیت پارامترهای ورودی مدل GP-RBF نشان داد که دبی­جریان خروجی مهم ترین ویژگی ورودی در پیش­بینی رسوب معلق خروجی برای هر دو زیرحوضه شمالی و جنوبی بود.

کلیدواژه ها:

Lorestan province ، Ghaleh Gol watershed ، Watershed Management Operations (WMO) ، Artificial Intelligent Models (AIM) ، Sediment Suspended Load (SSL). ، استان لرستان ، حوضه قلعه گل ، عملیات آبخیزداری ، مدل های هوش مصنوعی ، بار رسوب معلق.