شبيه سازي رسوب معلق روزانه رودخانه رودزرد با استفاده از تكنيك‌هاي مختلف يادگيري ماشيني

باتوجه به فقدان تجهيزات مناسب در ايستگاه‌هاي رسوب‌سنجي كشور و اندازه‌گيري بسيار محدود داده‌هاي رسوب، تخمين مقدار رسوب در روزهاي فاقد داده در راستاي مديريت منابع آب و خاك بسيار حائز اهميت است. در اين پژوهش، از تكنيك‌هاي مختلف يادگيري ماشيني شامل، شبكه عصبي مصنوعي (ANN)، سيستم استنتاجي فازي-عصبي تطبيقي (ANFIS) و جنگل تصادفي (RF) به‌منظور شبيه‌سازي رسوب و برآورد آن در روزهاي فاقد داده استفاده شد. براي دستيابي به اهداف پژوهش، ابتدا داده‌هاي بلند مدت هواشناسي و هيدرومتري (سال 2000 تا 2020) از سازمان‌هاي مرتبط جمع‌آوري و قبل از ورود به مدل پيش-پردازش شدند. متغيرهاي ورودي به مدل‌ها شامل بارندگي، دبي جريان، شاخص پوشش گياهي نرمال‌شده، دماي حداكثر و دماي حداقل بود و مقادير رسوب معلق به عنوان خروجي تمام مدل‌ها در نظر گرفته شد. داده-ها قبل از مدل‌سازي با نسبت 70 -30 به دو گروه داده-هاي آموزشي و داده‌هاي آزمون تقسيم شدند. كارايي مدل‌ها با استفاده از پنج شاخص ضريب تبيين (R2)، جذر ميانگين مربعات خطا (RMSE)، درصد اريب (PBIS)، ميانگين خطاي مطلق (MAE) و ضريب ناش-ساتكليف (NSE) ارزيابي شدند. نتايج نشان داد كه در مورد ايستگاه ماشين از بين تكنيك‌هاي مختلف، مدل شبكه عصبي داراي بيشترين مقدار ضريب تبيين (78/0) و كمترين مقدار خطا بود. همچنين در مورد ايستگاه منجنيق، مدل شبكه عصبي و نروفازي عملكرد تقريبا مشابهي را نشان دادند. لذا، مدل شبكه عصبي به عنوان مدل برتر در اين پژوهش انتخاب شد. ميانگين توليد سالانه رسوب براي كل دوره آماري بر اساس مدل شبكه عصبي، برابر با 1 تن در هكتار در سال بدست آمد.