Iranian Jornal of Watershed Management Science&Engineering

fa استفاده از مدل‌های هوش مصنوعی برای مدل‌سازی رسوب معلق در حوضه‌های با اجرای عملیات آبخیزداری (منطقه مورد مطالعه: حوضه قلعه‌گل استان لرستان) Application of Artificial Intellegint Models for Suspended Sediment Load (SSL) Modeling in Watersheds With Management Operations (Case study: Ghaleh Gol Watershed, Lorestan province) تخصصي Special پژوهشي Research <div style="text-align: justify;">در سال‌های اخیر عملیات اجرایی زیادی از نظر کنترل سیل، فرسایش و رسوب در زمینه‌های تحقیقاتی، مطالعاتی و اجرایی آبخیزداری انجام شدهاست. لذا این تحقیق با هدف استفاده از برخی مدل‌های 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، اندازه‌گیری سرعت جریان و نمونه‌برداری از بار رسوب معلق و جریان خروجی بهصورت مستقیم و میدانی از زیرحوضه‌ها انجام گرفت. در ادامه از الگوریتم‌های یادگیری GP (با دو کرنل PUK و RBF)، MLP و RF برای  مدلسازی رسوبمعلق استفاده شد. داده‌های ورودی مدل‌ها شامل داده‌های هم‌زمان دما، بارش و دبی جریان و داده خروجی شامل رسوبمعلق خروجی بود. در این تحقیق برای مدل‌سازی در مرحله آموزش 70 درصد داده‌ها و در مرحله آزمایش 30 درصد باقیمانده مورد استفاده قرار گرفتند.  در نهایت برای مقایسه نتایج مدل‌های 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 اندازه‌گیری میدانی و آزمایشگاهی نشان داد که در تمام اندازه‌گیری‌ها 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 مدل‌ها نشان داد که در زیرحوضه‌های 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 0/9509، 0/067، 0/041 و 0/0924 همچنین در بخش آزمایش زیرحوضه جنوبی مقدار این معیارها بهترتیب برابر 0/966، 0/048، 0/037 و 0/932 است و بهعنوان بهترین مدل انتخاب شد. تحلیل حساسیت پارامترهای ورودی مدل GP-RBF نشان داد که دبیجریان خروجی مهم‌ترین ویژگی ورودی در پیشبینی رسوب معلق خروجی برای هر دو زیرحوضه شمالی و جنوبی بود.</div> <div style="text-align: justify;">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).</div> استان لرستان, حوضه قلعه‌گل, عملیات آبخیزداری, مدل‌های هوش مصنوعی, بار رسوب‌معلق. Lorestan province, Ghaleh Gol watershed, Watershed Management Operations (WMO), Artificial Intelligent Models (AIM), Sediment Suspended Load (SSL). 25 37 http://jwmsei.ir/browse.php?a_code=A-10-728-2&slc_lang=fa&sid=1 Nasrin Beiranvand نسرین بیرانوند beiranvand.n76@gmail.com 100319475328460017624 100319475328460017624 No Lorestan University دانشگاه لرستان Alireza Sepahvand علیرضا سپه وند sepahvand.a@lu.ac.ir 100319475328460017625 100319475328460017625 Yes Lorestan University دانشگاه لرستان Bahram Mir derikvand بهرام میردریکوند bahrammd55@yahoo.com 100319475328460017626 100319475328460017626 No Lorestan University دانشگاه لرستان Hossein Zeinivand حسین زینی وند zeinivand.h@lu.ac.ir 100319475328460017627 100319475328460017627 No Lorestan University دانشگاه لرستان