استفاده از مدل‌های هوش مصنوعی برای مدل‌سازی رسوب معلق در حوضه‌های با اجرای عملیات آبخیزداری (منطقه مورد مطالعه: حوضه قلعه‌گل 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 نمونه‌برداری 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. داده‌های ورودی مدل ها شامل داده های هم‌زمان دما، بارش و دبی جریان و داده خروجی شامل رسوب معلق خروجی بود. در این تحقیق برای مدل‌سازی در مرحله آموزش 70 درصد داده‌ها 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 مهم‌ترین ویژگی ورودی در پیش بینی رسوب معلق خروجی برای هر دو زیرحوضه شمالی و جنوبی بود.

application of artificial intellegint models for suspended sediment load (ssl) modeling in watersheds with management operations (case study: ghaleh gol watershed, lorestan province)

in recent years, extensive practices have been done on flood control, erosion and sediment in the fields of research and implementation of watershed management. the present study was carried out for the modeling of suspended sediment load (ssl) by artificial intelligent models in two subwatersheds in ghaleh gol watershed in lorestan province, iran. in this research, the flow velocity was measured and the ssl was sampled directly from the beginning of the rainfall events until the end of them. in this study, four soft computing techniques, gp-puk, gp-rbf, mlp and rf were used to predict the ssl in study area. total data set consists of temperature, rain, discharge and suspended sediment load that 70 percent of the entire dataset was used in a training stage of the soft computing techniques and 30 percent was used for testing the models. finally, the models’ accuracy was assessed using three performance evaluation parameters, which were correlation coefficient (c.c.), root mean square error (rmse), maximum absolute error (mae) and nash-sutcliffe model efficiency (nse). the obtained results suggest that the gp-rbf model (with c.c= 0.9509, rmse= 0.067, mae= 0.041 and nse=0.924 in north watershed and with c.c= 0.966, rmse= 0.048, mae= 0.037 and nse=0.932 in south watershed) is more accurate to estimate the ssl as compare to the gp-puk, rf and mlp for the given study area. thus, gp-rbf was found to be the most suitable model for modelling suspended sediment load (ssl) in the study area. also, sensitivity analysis concludes that the discharge is the most effective parameter for the estimation of suspended sediment load (ssl).