بررسي قابليت‌هاي رويكرد يادگيري ماشين در پيش‌بيني جريان سطحي روزانه با استفاده از برخي داده‌هاي هواشناسي و شاخص تفاضلي نرمال شده برف (مطالعه موردي: حوضه آبخيز لتيان و ناورود)

پيش بيني دقيق جريان سطحي براي مديريت منابع آب به ويژه پيش بيني سيل و فرسايش خاك بسيار مهم است. در مطالعه حاضر، قابليت سه روش يادگيري ماشين (ML) شامل رگرسيون بردار پشتيبان (SVR)، شبكه عصبي مصنوعي با پس انتشار خطا (ANNBP) و رگرسيون تقويت گراديان (GBR) با استفاده از داده هاي هواشناسي و پوشش برف سنجنده MODIS براي پيش بيني جريان سطحي روزانه در دو حوضه مختلف لتيان و ناورود بررسي شد. براي توسعه مدل، چهار متغير اصلي شامل باران روزانه (P)، دماي حداكثر(Tmax) ، دماي حداقل (Tmin) و شاخص تفاضلي نرمال شده برف (NDSI) از سنجنده MODIS در طول سال‌هاي 1379 - 1397 استفاده شد. كارايي اين مدل‌ها با استفاده از شاخص‌هاي آماري مورد ارزيابي قرار گرفت. نتايج شبيه‌سازي نشان داد كه همه مدل‌ها نتايج رضايت‌بخشي را در شبيه‌سازي جريان سطحي روزانه با استفاده از متغيرهاي هواشناسي به عنوان پارامترهاي ورودي مدل ها ارائه كردند. همچنين، كارايي همه مدل‌هاي ML مورد مطالعه، زماني كه شاخص NDSI به ‌عنوان متغير تخمين گر در شبيه سازي اعمال شد، بهبود يافت. بهترين كارايي را در بين تمام مدل‌هاي مورد مطالعه در هر دو حوضه، مدل GBR نشان داد. مدل SVR  پايين ترين كارايي را در پيش‌بيني جريان سطحي روزانه براي هر دو مرحله آموزش و اعتبارسنجي در اكثر موارد نشان داد. به طور كلي، نتايج شبيه سازي در حوضه لتيان نسبت به حوضه ناورود در هر دو مرحله آموزش و اعتبارسنجي بهتر بود و نسبت به دو مدل ديگر، بهترين كارايي در مدل GBR با ضريب همبستگي (0.85= R)، ضريب كارايي نش ساتكليف (0.72 = NS )و جذر ميانگين مربعات خطا ( RMSE = 3.43 m^3/s ) با استفاده از شاخص NDSI در حوضه لتيان مشاهده شده است كه نشان دهنده تاثير زياد ذوب برف در ايجاد جريان سطحي در مناطق برف خيز است.