عادله علی جانپور شلمانی - گروه علوم خاک، دانشگاه زنجان، زنجان، ایران
علی رضا واعظی - گروه خاکشناسی- بخش فیزیک و حفاظت خاک-دانشگاه زنجان
محمودرضا طباطبایی - پژوهشکده حفاظت خاک و آبخیزداری، سازمان تحقیقات، آموزش و ترویج کشاورزی، تهران، ایران

آگاهی از مقدار دقیق بار رسوب معلق روزانه می تواند در شناخت وضعیت فرسایش و رسوب حوزه های آبخیز مورد استفاده قرار گیرد. در این تحقیق از مدل های هوشمند شبکه عصبی مصنوعی و برنامه ریزی بیان ژن برای برآورد بار رسوب معلق روزانه استفاده شد. همچنین با توجه به اهمیت پاسخ حوزه به متغیرهای ورودی به مدل ها، علاوه بر متغیر دبی، متغیر دینامیک بارندگی به دلیل نقش تاثیرگذار در ایجاد فرسایش و تولید رسوب نیز برای ورود به مدل ها انتخاب شد. نتایج حاصل از این تحقیق نشان داد که تمام مدل هایی که از متغیر بارندگی به همراه دبی استفاده کردند، دارای مقدار آماره های NSE و R۲ بیشتر و مقدار آماره های RMSE و MAE کمتر در مقایسه با مدل هایی بودند که تنها از متغیر دبی برای برآورد بار رسوب معلق استفاده کردند. همچنین مدل GEP با ترکیب متغیر ورودی دبی لحظه ای، دبی متوسط روزانه، دبی متوسط روزانه تا سه روز قبل، بارندگی متوسط روزانه و بارندگی متوسط روزانه تا سه روز قبل، کارآمدترین مدل در برآورد صحیح بار رسوب معلق روزانه با بیشترین مقدار آماره های NSE برابر ۹۰/۰ و R۲ برابر ۹۲/۰و کمترین مقدار آماره های RMSE برابر ۴۲/۲۲۸۲ (ton/day) و MAE برابر ۳۸/۷۵۰ (ton/day) در مقایسه با مدل های شبکه عصبی مصنوعی بود. به-طور کلی نتایج این تحقیق نشان داد که متغیر دبی به تنهایی نتوانست واریانس رسوب رودخانه را به درستی تبیین نماید و استفاده از متغیر بارندگی به عنوان متغیر ورودی به مدل های هوشمند، نقش تاثیرگذار در افزایش دقت برآورد بار رسوب معلق داشت و استفاده از متغیر بارندگی به همراه متغیر دبی در طی فرآیند مدل سازی، کارآیی مدل ها را افزایش داد.

بارندگی, برنامه ریزی بیان ژن, شبکه عصبی مصنوعی, نگاشت خود سازمان ده