بررسي كارايي مدل‌هاي مبتني بر هوش محاسباتي در برآورد بار معلق رودخانه‌ها (مطالعه موردي: استان گيلان)

آگاهي از ميزان رسوب معلق رودخانه‌ها يكي از مسائل اساسي در پروژه‌هاي آبي است كه طراحان تأسيسات آبي همواره با آن روبرو بوده‌اند. با توجه به صرف هزينه و زمان طولاني جهت اندازه‌گيري بار معلق رودخانه‌ها، استفاده از منحني‌هاي سنجۀ رسوب معمول‌ترين روش برآورد بار رسوب معلق رودخانه‌ها محسوب مي‌گردد. اين در حالي است كه روش‌هاي نوين مبتني بر هوش مصنوعي و داده‌كاوي در بسياري از علوم مهندسي رخنه كرده است. بر همين اساس هدف اصلي اين تحقيق به چالش كشيدن توانمندي روش كلاسيك برآورد بار معلق در مقايسه با برخي روش‌هاي نوظهور مي‌باشد. ما در اين پژوهش شش مدل،K نزديك‌ترين همسايه، شبكۀ عصبي پس انتشار خطا، فرآيند گوسي، درخت تصميم‌گيري M5، ماشين‌بردار پشتيبان و ماشين‌بردار پشتيبان تكاملي را انتخاب و به مقايسۀ آنها با مدل سنجۀ رسوب در هشت حوزۀ آبخيز واقع در استان گيلان پرداختيم. طول دوره آماري داده‌هاي ورودي به مدل‌ها به صورت روزانه و 30 ساله در نظر گرفته شد. ارزيابي نتايج حاصله نشان داد مدل فرآيند گوسي در مقايسه با ساير مدل‌ها، با كمترين مجموع مربعات باقيمانده (RMSE) (متوسط مجموع مربعات باقي مانده= 05/ 37 در هشت حوزه) و بيشترين ضريب همبستگي (r) (متوسط ضريب همبستگي 72/ 0 در هشت حوزه) و با بهترين ضريب ناش- ساتكليف (متوسط 66 0 در هشت حوزه) نسبت به ساير مدل‌ها از كارآيي بيشتري برخوردار است. لذا استفاده از مدل‌هاي مذكور به جاي روش‌هاي معمول برآورد بار معلق مي‌تواند دقت اين برآوردها را به ميزان قابل ملاحظه‌اي بهبود بخشد.