بررسی قابلیت های رویکرد یادگیری ماشین در پیش بینی جریان سطحی روزانه با استفاده از برخی داده های هواشناسی و شاخص تفاضلی نرمال شده برف (مطالعه موردی: حوضه آبخیز لتیان و ناورود)

پیش­بینی دقیق جریان سطحی برای مدیریت منابع آب به ویژه پیش­بینی سیل و فرسایش خاک بسیار مهم است. در مطالعه حاضر، قابلیت سه روش یادگیری ماشین (ML) شامل رگرسیون بردار پشتیبان (SVR)، شبکه عصبی مصنوعی با پس انتشار خطا (ANN-BP) و رگرسیون تقویت گرادیان (GBR) با استفاده از داده­های هواشناسی و پوشش برف سنجنده MODIS برای پیش­بینی جریان سطحی روزانه در دو حوضه مختلف لتیان و ناورود بررسی شد. برای توسعه مدل، چهار متغیر اصلی شامل باران روزانه (P)، دمای حداکثر(Tmax) ، دمای حداقل (Tmin) و شاخص تفاضلی نرمال شده برف (NDSI) از سنجنده MODIS در طول سال های ۱۳۷۹-۱۳۹۷ استفاده شد. کارایی این مدل ها با استفاده از شاخص های آماری مورد ارزیابی قرار گرفت. نتایج شبیه سازی نشان داد که همه مدل ها نتایج رضایت بخشی را در شبیه سازی جریان سطحی روزانه با استفاده از متغیرهای هواشناسی به عنوان پارامترهای ورودی مدل­ها ارائه کردند. همچنین، کارایی همه مدل های ML مورد مطالعه، زمانی که شاخص NDSI به عنوان متغیر تخمین­گر در شبیه­سازی اعمال شد، بهبود یافت. بهترین کارایی را در بین تمام مدل های مورد مطالعه در هر دو حوضه، مدل GBR نشان داد. مدل SVR  پایین­ترین کارایی را در پیش بینی جریان سطحی روزانه برای هر دو مرحله آموزش و اعتبارسنجی در اکثر موارد نشان داد. به­طور کلی، نتایج شبیه­سازی در حوضه لتیان نسبت به حوضه ناورود در هر دو مرحله آموزش و اعتبارسنجی بهتر بود و نسبت به دو مدل دیگر، بهترین کارایی در مدل GBR با ضریب همبستگی (۸۵/۰R=)، ضریب کارایی نش-ساتکلیف )۷۲/۰  (NS=و جذر میانگین مربعات خطا ( m۳/s۴۳/۳(RMSE= با استفاده از شاخص NDSI در حوضه لتیان مشاهده شده است که نشان­دهنده تاثیر زیاد ذوب برف در ایجاد جریان سطحی در مناطق برف­خیز است.

کلیدواژه ها:

شبکه های عصبی مصنوعی ، مدل یادگیری ماشین ، شاخص تفاضلی نرمال شده برف ، رگرسیون بردار پشتیبان