برآورد ضريب رواناب رگبار با استفاده از هوش مصنوعي (مطالعۀ موردي: حوضۀ آبخيز كسيليان)

در تحقيق پيش رو تخمين ضريب رواناب با توجه به تأثير پوشش گياهي انجام ‏شده است. ابتدا مدل‏سازي ضريب رواناب با استفاده از داده‏هاي سيلاب و رگبار ساعتي طي دورۀ آماري 1366ـ 1388 انجام شده و ضرايب رواناب حوضۀ آبخيز كسيليان تهيه شد. در مرحلۀ بعد، با استفاده از مدل‏هاي شبكۀ عصبي مصنوعي (ANN)، شبكۀ عصبي‌ـ فازي تطبيقي (ANFIS) و رگرسيون بردار پشتيبان (SVR) و عوامل مؤثر شامل شدت بارش، مقدار شاخص ، بارش 5 روز قبل و شاخص نرمال‌شدۀ اختلاف پوشش گياهي (NDVI) ضريب رواناب در مقياس رگبار برآورد شد. سپس، صحت و اهميت هر يك از عوامل مؤثر بر ضريب رواناب حوضۀ آبخيز كسيليان ارزيابي شد. نتايج نشان داد از بين سه مدل ANN، ANFIS و SVR، مدل ANN با مجذور ميانگين مربعات خطا، ضريب تبيين، ميانگين خطاي اريبي و ضريب نش‌ـ ساتكليف به‌ترتيب 0.08، 0.85، 0.84 و 0.01 در مرحلۀ آموزش و 0.12، 0.76، 0.74 و 0.03 در مرحلۀ آزمايش به عنوان مدل كارا در ارتباط با پيش‏بيني ضريب رواناب است. در مجموع، پيشنهاد مي‏شود با توجه به اينكه ضريب رواناب كاركرد زيادي در فرايندهاي هيدرولوژيك و بروز سيل دارد، بنابراين تخمين بهينۀ آن مي‏تواند به مديريت بهتر حفاظت آب و خاك و مديريت فرسايش و رسوب حوضۀ آبخيز كمك كند.