کبری حکیمی - دانشجویی ارشد منابع طبیعی و آبخیزداری
محسن ملکی - عضو هیت علمی دانشگاه آزاد اسلامی، واحد خلخال

تخمین مقدار بار رسوب و میزان انتقال آن برای بسیاری از کاربری ها و پروژه های منابع آب مانند طراحیسدها، حوضچه های ذخیره آب سطحی و طراحی کانال ها و نگهداری آنها، بسیار ضروری می باشد .درسال های اخیر استفاده از روش های یادگیری ماشین و هوش مصنوعی درمدیریت منابع آب و برآورد پدیدههای هیدرولوژی افزایش چشمگیری داشته است. از جمله تکنیک های یادگیری ماشین روش ANN ومدل درختی M5 است که بطور گسترده ای در مدیریت منابع آب استفاده می شود. در این تحقیق بااستفاده از مدل شبکه های عصبی مصنوعی و مدل درختی M5 و با کمک نرم افزار هایNeuroSolutions5 و WEKA اقدام به برآورد حوضه آبریز قره سو مربوط به ایستگاه های آبسنجیسامیان گردید و نتایج مدل ها با یکدیگر مقایسه شد. نتایج حاصل نشان داد، مدل شبکه عصبی مصنوعیو مدل درختی M5 توانایی بالایی در تخمین مقادیر میانگین سالانه سیلاب حوضه های آبریز در منطقهقره سو ، دارند. هر چند روش شبکه های عصبی مصنوعی، نتایج بهتری (RMSE=7/45, R=0/998)نسبت به مدل درختی (RMSE=12/03, R=0/991) در پیش بینی مقادیر میانگین رسوب حوضه هایآبریز در منطقه قره سو نشان داد، ولی مدل درختی M5 با ارایه روابط ساده خطی، قابل فهم وکاربردی ازپیچیدگی کمتری برخوردار بود.

برآورد رسوب ، مدل شبکه عصبی مصنوعی، مدل درختی M5 ، حوضه های آبریزقره سو