تخمین بار رسوب معلق با استفاده از مدل های مبتنی بر یادگیری ماشین (مطالعه موردی: ایستگاه ده ملا رودخانه زهره)

پیش بینی دقیق بار رسوب معلق، به عنوان یکی از مهم ترین پارامترهای مدیریتی در حوزه های آبخیز، نقش کلیدی در طراحی سازه های هیدرولیکی، کنترل سیلاب، حفاظت منابع آبی و کاهش خسارات ناشی از رسوب گذاری ایفا می کند. با توجه به پیچیدگی های رفتاری این پدیده و اثرگذاری عوامل متعدد بر آن، استفاده از مدل های دقیق و قابل اعتماد ضرورت دارد. در این پژوهش، عملکرد سه مدل یادگیری ماشین شامل جنگل تصادفی (RF)، رگرسیون فرآیند گاوسی (GPR) و مدل K-Star در پیش بینی بار رسوب معلق رودخانه زهره در ایستگاه هیدرومتری ده ملا مورد بررسی قرار گرفته است. برای ارزیابی دقت مدل ها از شاخص های آماری RMSE، R²، NSE و KGE در دو فاز آموزش و آزمایش استفاده شد. همچنین، نمودارهای پراکندگی و دیاگرام تیلور به منظور تحلیل گرافیکی عملکرد مدل ها و سنجش میزان قطعیت پیش بینی ها به کار گرفته شدند. نتایج حاصل نشان داد که مدل جنگل تصادفی با ثبت مقادیر ۹۷/۰R² =، ۹۶/۰NSE=، ۸۸/۰KGE= و ۲۶۹۸۲RMSE = تن در روز در فاز آزمایش، بهترین عملکرد را ارائه کرده و نزدیک ترین موقعیت را به نقطه مرجع در دیاگرام تیلور داشت. مدل GPR نیز دقت نسبتا بالایی به ویژه در پیش بینی های با نوسانات ملایم از خود نشان داد و در جایگاه دوم قرار گرفت. در مقابل، مدل K-Star به ویژه در تخمین مقادیر زیاد بار رسوب معلق، عملکرد ضعیف تری داشت و نسبت به نوسان های آماری حساس تر عمل کرد. یافته های این تحقیق نشان داد که مدل های پیشرفته یادگیری ماشین، به ویژه مدل های انعطاف پذیر و مقاومی مانندRF، می توانند به عنوان ابزارهایی موثر در پیش بینی رفتار پیچیده رسوبات معلق در مطالعات مهندسی رودخانه ها مورد استفاده قرار گیرند و در تصمیم گیری های مدیریتی نقش مهمی ایفا کنند.

کلیدواژه ها:

جنگل تصادفی ، رگرسیون فرآیند گاوسی ، شبیه سازی ، مدل های یادگیری ماشین ، K-Star