مدل‌سازي رسوب انحلالي با استفاده از الگوريتم‌هاي يادگيري ماشين در دوره‌هاي كم‌آبي و پرآبي (مطالعه موردي: حوضه‌هاي آبخيز خرم‌آباد، بيرانشهر و الشتر، استان لرستان)

اين تحقيق با استفاده از الگوريتم‌هاي يادگيري ماشين به بررسي كارآيي مدل‌هاي RF, RepTree, GP-PUK, GP-RBF, M5P براي مدل‌سازي بارانحلالي در زيرحوضه‌هاي خرم‌آباد، بيرانشهر و الشتر در استان لرستان پرداخته شد. داده‌هاي ورودي شامل بارش، دبي، دبي يك روز قبل، ميانگين دبي (دبي همان روز و يك روز قبل) همچنين داده خروجي رسوب انحلالي رودخانه‌ها مي‌باشد. در اين تحقيق براي مدل‌سازي در مرحله آموزش 70 درصد داده‌ها و در مرحله آزمايش 30 درصد باقي‌مانده مورد استفاده قرار گرفتند. در نهايت براي مقايسه نتايج مدل‌هاي مختلف و انتخاب بهترين مدل، از معيارهاي سنجش خطاي ريشه ميانگين مربعات خطا (RMSE)، ضريب همبستگي (C.C) و ميانگين مربعات خطا (MAE) استفاده شد. نتايج نشان داد باتوجه به معيارهاي ارزيابي مدل GP با دو تابع كرنل PUK و RBF در دوره‌‌ پرآبي و كم‌آبي عملكرد بهتري را نسبت به ساير مدل‌ها داشته است. نتايج به‌دست آمده در دوره پرآبي نشان داد كه در ايستگاه‌هاي چم‌انجير، سراب صيدعلي و كاكارضا مدل GP-RBF و در ايستگاه هيدرومتري بهرام‌جو مدل GP-PUK با بيشترين ضريب همبستگي و كمترين خطا در مرحله آزمايش به‌عنوان مدل‌هاي بهينه براي تخمين بار انحلالي انتخاب شدند. همچنين در ايستگاه‌هاي هيدرومتري بهرام‌جو، چم‌انجير و سراب صيدعلي مدل GP-RBF و در ايستگاه هيدرومتري كاكارضا مدل GP-PUK به‌عنوان مدل بهينه براي تخمين بار انحلالي در دوره كم‌آبي انتخاب شدند. بنابراين، با توجه به نتايج به دست آمده، مي‌توان براي مديريت كيفيت و كميت منابع آب سطحي از مدل‌هاي بهينه GP-PUK و GP-RBF براي تخمين بار انحلالي رودخانه‌هاي فاقد ايستگاه هيدرومتري در حوضه‌هاي كارستي استفاده كرد.