علوم آب و خاک

بارندگی مهم‌ترین منبع تأمین آب شرب و کشاورزی ساکنین نواحی مختلف کره زمین محسوب می‌شود. بنابراین شبیه‌سازی و تخمین این پدیده هیدرولوژیکی از اهمیت بسزایی برخوردار است. در این مطالعه برای اولین بار، بارش درازمدت شهر رشت در طی یک دوره ۶۲ ساله از ۱۹۵۶ تا ۲۰۱۷ به‌صورت ماهانه توسط یک مدل هوش مصنوعی ترکیبی بهینه‌یافته، شبیه‌سازی شد. برای توسعه مدل هوش مصنوعی ترکیبی (WGEP)، مدل برنامه‌نویسی بیان ژن (GEP) و تبدیل موجک (Wavelet transform) ترکیب شدند. در ابتدا، تأخیرهای مؤثر داده‌های سری زمانی با استفاده از تابع خودهمبستگی شناسایی شدند و با استفاده از آنها برای هر یک از مدل‌های GEP و WGEP هشت مدل متفاوت تعریف شد. سپس، نتایج مدل‌های GEP تجزیه‌و‌تحلیل شدند و مدل برتر GEP و مؤثرترین تأخیرها معرفی شدند. مقادیر شاخص عملکرد (VAF)، ضریب همبستگی (R) و شاخص پراکندگی (SI) برای مدل برتر GEP به‌ترتیب‌ مساوی با ۲۵/۷۶۵، ۰/۵۰۸ و ۰/۷۰۹ محاسبه شدند. علاوه بر این، تأخیرهای شماره (t-۱)، (t-۲)، (t-۳) و (t-۱۲) مؤثرترین تأخیرها بودند. در ادامه، اعضای مختلف موجک ­های مادر نیز بررسی شدند که موجک مادر demy به‌عنوان بهینه‌ترین انتخاب شد. همچنین، تجزیه‌و‌تحلیل نتایج مدل‌های ترکیبی نشان داد که تبدیل موجک عملکرد مدل برنامه­نویسی بیان ژن را به‌شکل قابل ملاحظه‌ای بهبود بخشید. استفاده از این موجک مادر باعث افزایش سه برابری شاخص عملکرد مدل WGEP برتر شد. علاوه بر این، شاخص‌های آماری R و MARE برای مدل WGEP برتر به‌ترتیب‌ مساوی با ۰/۹۳۵ و ۰/۸۶۲ به‌دست آمدند. همچنین مقادیر SI، VAF و ضریب نش‌ساتکلیف برای این مدل به‌ترتیب‌ برابر با ۰/۲۹۶، ۰/۳۹۴ و ۰/۸۵۸ تخمین زده شدند. نتایج این مطالعه نشان داد که تبدیل موجک عملکرد مدل برنامه‌نویسی بیان ژن را به‌شکل قابل توجهی افزایش می‌دهد و پیشنهاد می‌شود تبدیل موجک برای بهبود عملکرد سایر الگوریتم‌های هوش مصنوعی در مباحث هیدرولوژیکی مورد استفاده قرار گیرد.

در این مطالعه، عمق حفره آبشستگی در پائین¬دست سرریزهای سنگی با شکل¬های مختلف J، I، U و W توسط یک روش نوین هوش مصنوعی تحت عنوان ماشین آموزش نیرومند خارج از محدوده (ORELM) شبیه¬سازی شد. داده¬های مشاهداتی به دو دسته آموزش (۷۰ درصد) و تست (۳۰ درصد) تقسیم شدند. سپس تابع فعال¬سازی بهینه برای شبیه¬سازی عمق آبشستگی در پائین¬دست سرریزهای سنگی انتخاب شد. در ادامه، با استفاده از پارامترهای ورودی که شامل نسبت طول سازه به عرض کانال (b/B)، عدد فرود تراکمی (Fd)، نسبت اختلاف عمق جریان بالادست و پائین¬دست سازه به ارتفاع سازه (Δy/hst) و فاکتور شکل سازه (φ)، یازده مدل مختلف ORELM برای تخمین عمق آبشستگی توسعه داده شدند. با انجام یک تحلیل حساسیت، مدل برتر و مؤثرترین پارامترهای ورودی شناسایی شدند. مدل برتر مقادیر آبشستگی¬ها را توسط پارامترهای بدون بعد b/B, Fd, Δy/hst شبیه¬سازی کرد. برای این مدل، مقادیر ضریب همبستگی (R)، شاخص عملکرد  (VAF)و ضریب نش (NSC) برای مدل برتر در شرایط تست به¬ترتیب مساوی با ۰/۹۵۶، ۹۱/۳۷۸ و ۰/۹۰۸ بدست آمدند. همچنین، پارامترهای بدون بعد b/B, Δy/hst به¬عنوان مؤثرترین پارامترهای ورودی شناسایی شدند. همچنین، نتایج مدل برتر با مدل ماشین آموزش نیرومند نیز مقایسه شدند که مدل ORELM دقت بیشتری داشت. علاوه بر این، تحلیل عدم قطعیت نشان داد که مدل ORELM مقادیر آبشستگی¬ها را بیشتر از واقعیت تخمین زد. در ادامه، برای مدل برتر، یک تحلیل حساسیت مشتق نسبی (PDSA) اجرا گردید.

هدف از انجام این پژوهش پهنه‌بندی مناطق مختلف حوزه مرزداران از نظر خطر وقوع سیل است. از آنجایی که بودجه اختصاص‌یافته برای انجام کارهای مدیریتی محدود است و امکان انجام عملیات در کل حوزه امکان‌پذیر نمی‌باشد، بنابراین، داشتن نقشه‌ای با اولویت‌بندی مناطق مختلف از نظر احتمال وقوع سیلاب بسیار مفید وضروری است. بدین‌منظور، از مدل معروف و شناخته شده یادگیری ماشین یعنی مدل بیشینۀ بی‌نظمی (MaxEnt) به لحاظ الگوریتم محاسباتی توانمند در زمینه ارزیابی فرایند وقوع سیلاب به‌عنوان بنچ‌مارک استفاده شد. شواهد سیلاب با استفاده از بازدیدهای میدانی،گزارش‌ها و اطلاعات سازمانی موجود ثبت و در سامانه اطلاعات جغرافیایی (GIS) در قالب نقشه تهیه شد. همچنین براساس مرور منابع گذشته، لایه‌های مربوط به دوازده عامل کنترل‌کننده به‌عنوان عوامل پیش‌بینی کننده وقوع سیل در منطقه مورد مطالعه در سامانه اطلاعات جغرافیایی تهیه شدند. به‌منظور ارزیابی نتایج مدل‌سازی، از مقدار مساحت زیر منحنی (AUC) استفاده شد. سپس براساس نقشه تهیه شده مستعدترین مناطق وقوع سیلاب که برای اجرای عملیات مدیریتی در اولویت هستند، شناسایی شدند. بر اساس نتایج حدود ۱۰۰ کیلومترمربع از مساحت منطقه مورد مطالعه جزء مستعدترین مناطق برای انجام عملیات مدیریتی شناسایی شدند. بر اساس نتایج دقت مدل بیشینه بی‌نظمی ۹۸ درصد در مرحلۀ آموزش و ۹۵ درصد در مرحله اعتبارسنجی بدست آمد. لایه‌های فاصله از آبراهه، تراکم زهکشی و شاخص رطوبت توپوگرافی به‌ترتیب از مؤثرترین عوامل در وقوع سیلاب شناخته شدند.