بررسي نقش متغير بارندگي در عملكرد مدل‌سازي بار رسوب معلق روزانه (مطالعه موردي: حوزه‌ آبخيز سعيد آباد چاي)

آگاهي از مقدار دقيق بار رسوب معلق روزانه مي‌تواند در شناخت وضعيت فرسايش و رسوب حوزه هاي آبخيز مورد استفاده قرار گيرد. در اين تحقيق از مدل‌هاي هوشمند شبكه عصبي مصنوعي و برنامه‌ريزي بيان ژن براي برآورد بار رسوب معلق روزانه استفاده شد. همچنين با توجه به اهميت پاسخ حوزه به متغيرهاي ورودي به مدل‌ها، علاوه بر متغير دبي، متغير ديناميك بارندگي به‌دليل نقش تأثيرگذار در ايجاد فرسايش و توليد رسوب نيز براي ورود به مدل‌ها انتخاب شد. نتايج حاصل از اين تحقيق نشان داد كه تمام مدل‌هايي كه از متغير بارندگي به همراه دبي استفاده كردند، داراي مقدار آماره‌هاي NSE و R^2 بيشتر و مقدار آماره‌هاي RMSE و MAE كمتر در مقايسه با مدل‌هايي بودند كه تنها از متغير دبي براي برآورد بار رسوب معلق استفاده كردند. همچنين مدل GEP با تركيب متغير ورودي دبي لحظه‌اي، دبي متوسط روزانه، دبي متوسط روزانه تا سه روز قبل، بارندگي متوسط روزانه و بارندگي متوسط روزانه تا سه روز قبل، كارآمدترين مدل در برآورد صحيح بار رسوب معلق روزانه با بيشترين مقدار آماره‌هاي NSE برابر 0.90 و R^2 برابر 0.92و كمترين مقدار آماره‌هاي RMSE برابر 2282.42 (ton/day) و MAE برابر 750.38 (ton/day) در مقايسه با مدل‌هاي شبكه عصبي مصنوعي بود. بهطور كلي نتايج اين تحقيق نشان داد كه متغير دبي به تنهايي نتوانست واريانس رسوب رودخانه را به درستي تبيين نمايد و استفاده از متغير بارندگي به‌عنوان متغير ورودي به مدل‌هاي هوشمند، نقش تأثيرگذار در افزايش دقت برآورد بار رسوب معلق داشت و استفاده از متغير بارندگي به همراه متغير دبي در طي فرآيند مدل‌سازي، كارآيي مدل‌ها را افزايش داد.