همایون فقیه - دانشجوی دکتری گروه مهندسی آب دانشگاه ارومیه ارومیه ایران
عطا امینی - استادیارمرکزآموزش وتحقیقات کشاورزی و منابع طبیعی کردستان سنندج ایران
فرزانه حیدری - کارشناسی ارشدآبیاری زهکشی بوعلی سینای همدان همدان ایران
کیوان خلیلی - استادیارگروه مهندسی آب دانشگاه ارومیه ارومیه ایران

بار رسوب جریان، شاخص مفیدی در پیش بینی فرسایش خاک در حوزه های آبخیز است؛ بنابراین تدوین مدلی برای برآورد بار رسوب میتواند در مدیریت و اجرای پروژه های آبخیزداری و مهندسی رودخانه مفید باشد. در این پژوهش روش دسته بندی داده ها به عنوان راهکاری برای افزایش دقت شبکه عصبی مصنوعی در تدوین مدل برآورد رسوب معلق بررسی شد. بدین منظور، میزان آورد رسوبات معلق رودخانه های خلیفه ترخان و چهل گزی در حوضه قشلاق در استان کردستان در سه حالت با روش شبکه عصبی مصنوعی با ساختار پرسپترون چندلایه برآورد شد. ابتدا داده های اندازهگیری شده، بدون هیچگونه تفکیکی مدل سازی شدند. سپس داده های رواناب برمبنای وضعیت جریان به زیرمجموعه های پرآب و کم آب و داده های رسوب برمبنای غلظت رسوبات به زیرمجموعه های غلظت کموزیاد دستهبندی شدند. از داده های مشاهدهای رواناب و رسوب برای واسنجی مدلها استفاده شد. سپس مقادیر برآورد شده با داده های ثبتشده مقایسه و عملکرد این مدلها با استفاده از معیارهای آماری مورد ارزیابی قرار گرفت. نتایج بیانگر نقش موثر دسته بندی داده ها در بهبود عملکرد روش شبکه عصبی مصنوعی در برآورد رسوب است. به طوریکه دسته بندی برمبنای غلظت رسوبات کارآیی مدل را در ایستگاه های چهلگزی و خلیفه ترخان به ترتیب 16/6 و 30/5 درصد افزایش داد. مقایسه دسته بندیهای انجام شده نیز نشان داد که دسته بندی داده ها برمبنای غلظت رسوبات نسبت شدت جریان رودخانه موثرتر است. نتایج این پژوهش میتواند با تخمین دقیق تر میزان رسوبات معلق رودخانه های منتهی به دریاچه سد قشلاق، در بهبود مدیریت حوضه مورداستفاده قرار گیرد.

آب سنجی، شبکه عصبی مصنوعی، حوضه قشلاق، غلظت رسوب، کردستان