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

Abstract

پیش‌بینی دقیق بار رسوب معلق، به‌عنوان یکی از مهم‌ترین پارامترهای مدیریتی در حوزه‌های آبخیز، نقش کلیدی در طراحی سازه‌های هیدرولیکی، کنترل سیلاب، حفاظت منابع آبی و کاهش خسارات ناشی از رسوب‌گذاری ایفا می‌کند. با توجه به پیچیدگی‌های رفتاری این پدیده و اثرگذاری عوامل متعدد بر آن، استفاده از مدل‌های 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 ده‌ملا مورد بررسی قرار گرفته است. برای ارزیابی دقت مدل‌ها از شاخص‌های آماری RMSE، R²، NSE و KGE در دو فاز آموزش و آزمایش استفاده شد. همچنین، نمودارهای پراکندگی و دیاگرام تیلور به‌منظور تحلیل گرافیکی عملکرد مدل‌ها و سنجش میزان قطعیت پیش‌بینی‌ها به‌کار گرفته شدند. نتایج حاصل نشان داد که مدل جنگل تصادفی با ثبت مقادیر 97/0R² =، 96/0NSE=، 88/0KGE= و 26982RMSE = تن در روز در فاز آزمایش، بهترین عملکرد را ارائه کرده و نزدیک‌ترین موقعیت را به نقطه مرجع در دیاگرام تیلور داشت. مدل GPR نیز دقت نسبتاً بالایی به‌ویژه در پیش‌بینی‌های با نوسانات ملایم از خود نشان داد و در جایگاه دوم قرار گرفت. در مقابل، مدل K-Star به‌ویژه در تخمین مقادیر زیاد بار رسوب معلق، عملکرد ضعیف‌تری داشت و نسبت به نوسان‌های آماری حساس‌تر عمل کرد. یافته‌های این تحقیق نشان داد که مدل‌های پیشرفته یادگیری ماشین، به‌ویژه مدل‌های انعطاف‌پذیر و مقاومی مانندRF، می‌توانند به‌عنوان ابزارهایی مؤثر در پیش‌بینی رفتار پیچیده رسوبات معلق در مطالعات مهندسی رودخانه‌ها مورد استفاده قرار گیرند و در تصمیم‌گیری‌های مدیریتی نقش مهمی ایفا کنند.