بررسی نقش متغیر بارندگی در عملکرد مدل‌سازی بار رسوب معلق روزانه (مطالعه موردی: حوزه‌ آبخیز سعید آباد چای)

Abstract

آگاهی از مقدار دقیق بار رسوب معلق روزانه می‌تواند در شناخت وضعیت فرسایش و رسوب حوزه های آبخیز مورد استفاده قرار گیرد. در این تحقیق از مدل‌های هوشمند شبکه عصبی مصنوعی و برنامه‌ریزی بیان ژن برای برآورد بار رسوب معلق روزانه استفاده شد. همچنین با توجه به اهمیت پاسخ حوزه به متغیرهای ورودی به مدل‌ها، علاوه بر متغیر دبی، متغیر دینامیک بارندگی به‌دلیل نقش تأثیرگذار در ایجاد فرسایش و تولید رسوب نیز برای ورود به مدل‌ها انتخاب شد. نتایج حاصل از این تحقیق نشان داد که تمام مدل‌هایی که از متغیر بارندگی به همراه دبی استفاده کردند، دارای مقدار آماره‌های NSE و R2 بیشتر و مقدار آماره‌های RMSE و MAE کمتر در مقایسه با مدل‌هایی بودند که تنها از متغیر دبی برای برآورد بار رسوب معلق استفاده کردند. همچنین مدل GEP با ترکیب متغیر ورودی دبی لحظه‌ای، دبی متوسط روزانه، دبی متوسط روزانه تا سه روز قبل، بارندگی متوسط روزانه و بارندگی متوسط روزانه تا سه روز قبل، کارآمدترین مدل در برآورد صحیح بار رسوب معلق روزانه با بیشترین مقدار آماره‌های NSE برابر 90/0 و R2 برابر 92/0و کمترین مقدار آماره‌های RMSE برابر 42/2282 (ton/day) و MAE برابر 38/750 (ton/day) در مقایسه با مدل‌های شبکه عصبی مصنوعی بود. به-طور کلی نتایج این تحقیق نشان داد که متغیر دبی به تنهایی نتوانست واریانس رسوب رودخانه را به درستی تبیین نماید و استفاده از متغیر بارندگی به‌عنوان متغیر ورودی به مدل‌های هوشمند، نقش تأثیرگذار در افزایش دقت برآورد بار رسوب معلق داشت و استفاده از متغیر بارندگی به همراه متغیر دبی در طی فرآیند مدل‌سازی، کارآیی مدل‌ها را افزایش داد.