علوم آب و خاک

پیش¬بینی صحیح دبی سیل، برای طراحی سازه‌های هیدرولیکی، کاهش خطر شکست و به حداقل¬رساندن آسیب‌های محیط زیستی پایین‌دست، از اهمیت زیادی برخوردار است. هدف از انجام این مطالعه، بررسی کاربرد روش‌های یادگیری ماشین برای تحلیل منطقه‌ای فراوانی سیلاب است. برای دستیابی به این هدف، 18 پارامتر فیزیوگرافی، اقلیمی، سنگ¬شناسی و کاربری اراضی برای حوضه‌های بالادست ایستگاه‌های هیدرومتری حوزه‌های آبخیز کرخه و کارون (46 ایستگاه با طول آماری 21 سال) درنظر گرفته شد. سپس، بهترین تابع توزیع احتمال با استفاده از آزمون کولموگروف- اسمیرنف در هر ایستگاه برای برآورد دبی سیل با دوره بازگشت 50 سال با استفاده از روش‌های حداکثر درستنمایی و گشتاورهای خطی تعیین شد. درنهایت، تحلیل منطقه‌ای فراوانی سیلاب با استفاده از درخت تصمیم، شبکه بیزی و شبکه عصبی مصنوعی انجام شد. نتایج نشان داد که توزیع لوگ پیرسون تیپ 3 در روش حداکثر درستنمایی و توزیع نرمال‏ تعمیم‏یافته در روش گشتاورهای خطی بهترین توزیع احتمالی منطقه‌ای هستند. بر اساس آزمون گاما، پارامترهای محیط، طول حوضه، عامل شکل و طول جریان اصلی به‌عنوان بهترین ترکیب ورودی انتخاب شدند. نتایج تحلیل منطقه‌ای فراوانی سیلاب نشان داد که مدل بیزی با روش گشتاور خطی ((R2=0.7 بهترین برآورد را در مقایسه با روش‌های دیگر دارد. درخت تصمیم و شبکه عصبی مصنوعی در رده‌‌های بعدی قرار داشتند.

باتوجه به نیاز روزافزون به منابع آب و کاهش منابع آب سطحی، آگاهی از کیفیت منابع آب سطحی از نیازهای مهم در برنامه‌ریزی، توسعه و حفاظت از منابع آب به شمار می‌رود. این پژوهش با هدف مدل‌سازی شاخص کیفیت آب (ویژگی پرکاربرد تعیین کیفیت آب) به کمک مدل‌های یادگیری ماشین جنگل تصادفی و ماشین بردار پشتیبان در رودخانه زاینده‌رود انجام شده است. باتوجه به تعدد شاخص‌های کیفیت آب، در این پژوهش از شاخص NSFWQI استفاده شد. ابتدا این شاخص محاسبه و در ادامه، از داده‌های ورودی شامل ویژگی‌های کیفی آب 8 ایستگاه در یک دوره ۳۱ساله و شاخص کیفیت آب رودخانه‌ استفاده شد. در این پژوهش در مرحله آموزش 80 درصد داده‌ها و در مرحله ارزیابی 20 درصد باقی‌مانده استفاده شده و بر اساس نتایج معیارهای ارزیابی R²،  CRMو NRMSE مدل بهینه انتخاب شد. نتایج نشان داد در چهار ایستگاه الگوریتم ماشین بردار پشتیبان (-0/003122<0/982 ) و در چهار ایستگاه الگوریتم جنگل تصادفی (-0/001142<0/999) عملکرد بهتری نشان داد. همچنین نتایج نشان داد که برای صرفه‌جویی در زمان و هزینه، سری شماره 3 (شامل سه ویژگی هدایت الکتریکی، کل مواد جامد محلول و سختی کل) به‌منظور برآورد شاخص کیفیت آب بهترین ترکیب بوده است.

فرسایش خندقی، یکی از مهم‌ترین انواع فرسایش آبی است. از آنجایی که میزان هدررفت خاک ناشی از این فرسایش، ارتباط مستقیمی با عوامل محیطی دارد؛ بنابراین می توان بر اساس شرایط محیطی، میزان هدررفت خاک ناشی از هر خندق را مدل سازی کرد. با توجه به اینکه مدل های یادگیری ماشین، مبتنی بر هوش مصنوعی، قابلیت زیادی در تجزیه‌وتحلیل اطلاعات محیطی دارند، در این پژوهش علاوه بر تعیین هدررفت خاک ناشی از فرسایش خندقی، اقدام به مدل سازی با استفاده از دو مدل جنگل تصادفی و شبکه عصبی مصنوعی و ارزیابی کارایی آنها در حوزه آبخیز ماهورمیلاتی واقع در جنوب غرب استان فارس شده است. به این منظور، اندازه گیری پارامترهای ابعادی 70 خندق، طی چهار سال (1402-1399) انجام و حجم و وزن خاک از دست رفته محاسبه شد. 15 عامل محیطی، به عنوان متغیرهای پیش بینی کننده انتخاب و مدل سازی با رویکرد اعتبارسنجی متقاطع، توسط این دو مدل انجام شد و دقت مدل ها با استفاده از معیارهای کمی بررسی شد. میزان هدررفت خاک خندق ها در دوره مورد مطالعه 15300/94 تن بود. ارزیابی دقت مدل‌ها نشان داد مدل جنگل تصادفی بر اساس معیار ارزیابی ضریب تبیین (0/73-0/66=R2) از عملکرد بهتری برخوردار است. همچنین این مدل از نظر معیار ارزیابی شاخص خطای RSR، دارای کمترین مقدار بوده (1/03-0/66=RSR) و بیشترین دقت را به خود اختصاص داده است. از نظر شاخص ارزیابی تطابق (D)، نیز مدل جنگل تصادفی دارای بیشترین تطابق، میان داده‌های مشاهداتی و پیش‌بینی بوده و بیشترین مقدار این شاخص (0/83=D) را به خود اختصاص داد و بنابراین به عنوان مدل برتر برای پیش‌بینی هدررفت خاک ناشی از فرسایش خندقی در این حوزه آبخیز معرفی شد.