این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
آبیاری و زهکشی، جلد ۱۹، شماره ۴، صفحات ۶۸۳-۶۹۸
عنوان فارسی تخمین بار رسوب معلق با استفاده از مدل‌های مبتنی بر یادگیری ماشین (مطالعه موردی: ایستگاه ده ملا رودخانه زهره)
چکیده فارسی مقاله پیش‌بینی دقیق بار رسوب معلق، به‌عنوان یکی از مهم‌ترین پارامترهای مدیریتی در حوزه‌های آبخیز، نقش کلیدی در طراحی سازه‌های هیدرولیکی، کنترل سیلاب، حفاظت منابع آبی و کاهش خسارات ناشی از رسوب‌گذاری ایفا می‌کند. با توجه به پیچیدگی‌های رفتاری این پدیده و اثرگذاری عوامل متعدد بر آن، استفاده از مدل‌های دقیق و قابل اعتماد ضرورت دارد. در این پژوهش، عملکرد سه مدل یادگیری ماشین شامل جنگل تصادفی (RF)، رگرسیون فرآیند گاوسی (GPR) و مدل K-Star در پیش بینی بار رسوب معلق رودخانه زهره در ایستگاه هیدرومتری ده‌ملا مورد بررسی قرار گرفته است. برای ارزیابی دقت مدل‌ها از شاخص‌های آماری RMSE، R²، NSE و KGE در دو فاز آموزش و آزمایش استفاده شد. همچنین، نمودارهای پراکندگی و دیاگرام تیلور به‌منظور تحلیل گرافیکی عملکرد مدل‌ها و سنجش میزان قطعیت پیش‌بینی‌ها به‌کار گرفته شدند. نتایج حاصل نشان داد که مدل جنگل تصادفی با ثبت مقادیر 97/0R² =، 96/0NSE=، 88/0KGE= و 26982RMSE = تن در روز در فاز آزمایش، بهترین عملکرد را ارائه کرده و نزدیک‌ترین موقعیت را به نقطه مرجع در دیاگرام تیلور داشت. مدل GPR نیز دقت نسبتاً بالایی به‌ویژه در پیش‌بینی‌های با نوسانات ملایم از خود نشان داد و در جایگاه دوم قرار گرفت. در مقابل، مدل K-Star به‌ویژه در تخمین مقادیر زیاد بار رسوب معلق، عملکرد ضعیف‌تری داشت و نسبت به نوسان‌های آماری حساس‌تر عمل کرد. یافته‌های این تحقیق نشان داد که مدل‌های پیشرفته یادگیری ماشین، به‌ویژه مدل‌های انعطاف‌پذیر و مقاومی مانندRF، می‌توانند به‌عنوان ابزارهایی مؤثر در پیش‌بینی رفتار پیچیده رسوبات معلق در مطالعات مهندسی رودخانه‌ها مورد استفاده قرار گیرند و در تصمیم‌گیری‌های مدیریتی نقش مهمی ایفا کنند.
کلیدواژه‌های فارسی مقاله جنگل تصادفی،رگرسیون فرآیند گاوسی،شبیه‌سازی،مدل‌های یادگیری ماشین،K-Star،
عنوان انگلیسی Estimation of Suspended Sediment Load Using Machine Learning Models (Case Study: Deh Molla Station, Zohreh River)
چکیده انگلیسی مقاله Accurate prediction of suspended sediment load, as one of the most important management parameters in watershed areas, plays a key role in the design of hydraulic structures, flood control, water resource protection, and reduction of damage caused by sedimentation. Given the complexities of this phenomenon and the influ-ence of multiple factors on it, the use of accurate and reliable models is essential. In this study, the performance of three machine learning models, including Random Forest (RF), Gaussian Process Regression (GPR), and K-Star model, in estimating the suspended sediment load of the Zohreh River at the Deh Molla hydrometric station was investigated. To evaluate the accuracy of the models, statistical indices such as RMSE, R², NSE, and KGE were used in both train and test phases. Additionally, scatter plots and Taylor diagrams were employed for graphical analysis of model performance and assessment of the certainty of predictions. The results indicated that the Random Forest model, with values of R² = 0.97, NSE= 0.96, KGE= 0.88, and RMSE = 26982 tons per day in the test phase, demonstrated the best performance and was the closest to the reference point in the Tay-lor diagram. The GPR model also showed relatively high accuracy, especially in predictions with mild fluctua-tions, ranking second. In contrast, the K-Star model exhibited weaker performance, particularly in estimating high suspended sediment load values, and was more sensitive to statistical fluctuations. The findings of this re-search showed that advanced machine learning models, especially flexible and robust models like RF, can be effectively used as tools for predicting the complex behavior of suspended sediment load in river engineering studies and play a significant role in management decision-making.
کلیدواژه‌های انگلیسی مقاله جنگل تصادفی,رگرسیون فرآیند گاوسی,شبیه‌سازی,مدل‌های یادگیری ماشین,K-Star
نویسندگان مقاله امیر حسین رمضانی فریز |
دانشجوی کارشناسی ارشد، گروه علوم و مهندسی آب، دانشگاه بیرجند، بیرجند، ایران.

یوسف رمضانی |
گروه علوم و مهندسی آب دانشگاه بیرجند

محمد ناظری تهرودی |
استادیار، گروه علوم و مهندسی آب، دانشگاه لرستان، خرم آباد، ایران.

دیپاک جاجاریا |
استاد، گروه مهندسی حفاظت آب و خاک، دانشگاه مرکزی کشاورزی، گنگتوک، هند.

نشانی اینترنتی https://idj.iaid.ir/article_226501_2da8fc659451f44910f042fe513172da.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات