تخمین درست حجم رسوبات حمل شده توسط رودخانه ها در پروژه های آبی از اهمیت بسیاری برخوردار است. در حقیقت حصول روشهایی برای محاسبه دبی رسوبات مهمترین هدف تحقیقات مربوط به فرآیند رسوب شده است. از جمله این روشها می توان به روشهای یادگیری ماشین از قبیل مدل درختان تصمیم گیری که مبتنی بر اصول یادگیری می باشند، اشاره کرد. روش درخت تصمیم یک روش سلسله مراتبی یا چند مرحله ای است که در آن به صورت بازگشتی مجموعه داده ها به روش دودویی به تقسیمات فرعی و کوچکتر تقسیم بندی می شود تا زمانی که تقسیمات فرعی نهایی نتوانند بیشتر از آن تجزیه شوند. درختان تصمیم استقرایی مجموعه ای از داده های معلوم را می گیرد و یک درخت تصمیم را از آن استنتاج می کند. سپس درخت می تواند به صورت مجموعه قوانینی برای پیش بینی نتیجه ویژگی های معلوم استفاده شود. در این تحقیق میزان آورد رسوبات رودخانه گل گل حوضه سد ایلام با استفاده از مدل درخت های تصمیم گیری رگرسیونی و منحنی سنجه رسوب در سه حالت مدل سازی شد . در حالت نخست، تمامی داده های اندازه گیری شده بدون هیچ گونه تفکیکی مدل سازی گردید و در حالت دوم مجموعه داده ها به دو زیر مجموعه با غلظت رسوبات کمتر و بیشتر از 100 تن در روز و در حالت سوم به دو زیر مجموعه با مقادیر کمتر و بیشتر از میانگین غلظت رسوبات دسته بندی شدند . سپس هر زیر مجموعه جداگانه توسط روش های مذکور شبیه سازی شد. جهت ارزیابی دقت و صحت نتایج معیارهای آماری r، bias ,rmse ,r2و mae مورد استفاده قرار گرفت. نتایج نشان داد که به طور کلی و بر اساس تمامی معیار های آماری مدل درخت تصمیم گیری در مقایسه با روش منحنی سنجه رسوب تطابق بسیار بیشتری با مقادیر اندازه گیری شده داشته و دسته بندی داده ها بر اساس غلظت رسوب، نتایج مطلوبتری را سبب شده است.

چکیده کشور ایران به لحاظ قرار گرفتن درکمربند خشک جغرافیایی، در زمره مناطق کم باران محسوب می گردد. علاوه بر آن نوسانات شدید بارش در مناطق مختلف کشور، وقوع خشکسالی های ضعیف تا شدید را به موضوعی گریز ناپذیر تبدیل نموده است. وقوع این خشکسالی ها اثرات نامطلوب شدیدی بر بخش های کشاورزی و اقتصادی کشور و به طور خاص بر عرصه های طبیعی تحمیل می کند. امروزه روش های مختلفی جهت پیش بینی خشکسالی ارائه شده است. لیکن در دهه های اخیر، استفاده از مدل های جدید کامپیوتری در زمینه پیش بینی خشکسالی رواج یافته و در اغلب موارد توانایی خود را به خوبی نشان داده است. درخت های تصمیم گیری به عنوان یکی از این نوع مدل ها، با بررسی پارامترها از جزء به کل، به تولید قانون می پردازند و نهایتاً به یک دانش قابل فهم از بین داده های آماری موجود دست می یابند. در این تحقیق از مدل درختان تصمیم به عنوان یکی از روش های داده کاوی جهت پیش بینی خشکسالی در ایستگاه سینوپتیک یزد استفاده و شبیه سازی ها در شش حالت صورت گرفت. در چهار حالت اول از متغیرهای بارش، دمای متوسط، دمای ماکزیمم، رطوبت، سرعت باد، جهت باد و تبخیر در مقیاس ماهانه به عنوان متغیرهای مستقل مدل استفاده و میزان بارش 12 ماه قبل از وقوع پیش بینی گردید. علاوه برآن پیش بینی خشکسالی 12 ماه قبل از وقوع با استفاده از شاخص های خشکسالی rdi و spi نیز مورد بررسی قرار گرفت. در نهایت جهت ارزیابی دقت و صحت درخت های ایجاد شده در حالات فوق، معیارهای آماری r،,rmse mae وbias استفاده گردید. نتایج نشان داد که در ایستگاه یزد، مدل درخت تصمیم گیری در شرایط استفاده از میانگین متحرک پنج ساله داده ها، دارای بهترین کارکرد در پیش بینی خشکسالی می باشد.

بررسی پدیده رسوب و برآورد رسوب حمل شده توسط رودخانه اهمیت خاصی دارد و گسترش شیوه های نوین تخمین رسوب که دارای سهولت کاربرد باشند در این میان نقش مهمی خواهد داشت. از آنجا که روشهای تجربی در برآورد رسوبات اعم از معلق، بستر و بارکل بسیار پرکاربردند تحقیقات بسیاری در زمینه این روابط انجام شده است اما تاکنون در ایران با روش درخت تصمیم برآورد بار بستر انجام نگردیده است. بنابراین برآن شدیم تا در این تحقیق با استفاده از شیوه ی درختان تصمیم گیری رگرسیونی، بار رسوب بستر را برآورد کنیم و سپس با بار رسوب بستر برآورد شده با چند روش تجربی رایج (مثل روابط مییر پیتر مولر، شیلدز، اینشتین براون، شوکلیچ و...) مقایسه کنیم تا میزان کارایی این روش در مقابل شیوه های رایج برآورد رسوب مشخص گردد. جهت انجام این تحقیق از داده های ایستگاه یل یزدکان واقع بر رودخانه قطورچای در استان آذربایجان غربی که رودخانه ای کوهستانی با بستر شنی است و حجم رسوبات بالایی حمل می کند، استفاده نموده ایم. بعد از بررسی صحت و پالایش داده ها، طول دوره آماری برابر با 8 سال (1380- 1388) و 76 داده در نظر گرفته شد. از این میزان داد ه ها 80% آن برای آموزش و 20% آن برای آزمون مورد استفاده قرار گرفته است. بهترین ترکیب ورودی که بهترین انطباق نتایج را نشان داد، شامل دبی آب متناظر (همزمان با برداشت رسوب)، دبی رسوبات معلق متناظر، عمق آب و سرعت جریان می باشد. دبی رسوب بستر تنها متغیر خروجی بوده است. مقایسه نتایج درختان رگرسیونی با فرمول های تجربی، حاکی از دقت بیشتر درخت تصمیم در برآورد رسوبات بستر می باشد. کلمات کلیدی: درختان رگرسیونی، بار بستر، روش های تجربی، برآورد رسوب

در بسیاری از حوزه های آبخیز کوهستانی برف انباشته شده در برفچال ها ذخیره قابل توجهی از منابع آب حوزه ها را ایجاد نموده است. پایش این رژیم هیدرولوژیکی، به ویژه بررسی توزیع مکانی ذخایر برفی از اساسی ترین نیازهای مدیران منابع آب محسوب می گردد. به دلیل سخت بودن و حتی در برخی موارد غیرممکن بودن آمار برداری از داده های برف توسعه روش هایی که بتواند عمق برف را در نقاط فاقد اندازه گیری، برآورد نماید امری ضروری است. در این پژوهش محدوده ای به مساحت 16هکتار در حوزه آبخیز سخوید تفت انتخاب و با بهره گیری از نمونه بردار مونت - رز داده های عمق برف و آب معادل برف در 216 نقطه اندازه گیری شد؛ و با استفاده از 31 پارامتر فیزیکی حوزه، که به راحتی قابل دسترس هستند؛ به ارزیابی کارآیی روش های زمین آماری و روش شبکه عصبی مصنوعی در برآورد توزیع مکانی عمق برف و آب معادل برف پرداخته شد. نتایج حاصل از این تحقیق نشان داد که روش شبکه عصبی مصنوعی برای پارامتر آب معادل برف و عمق برف به ترتیب، با ضریب همبستگی 83/0و 9/0 و مجذور میانگین مربعات خطا 55/3 و 81/6 مناسبترین روش برای برآورد این دو پارامتر می باشد. همچنین نتایج آنالیز حساسیت نشان داد که از بین پارامترهای فیزیکی به کاررفته در شبکه عصبی مصنوعی، پارامترهای مقطع طولی انحناء، مقطع عرضی انحناء، انحناء، اثر باد، شیب، شاخص بالای پشته با درجه تفکیک بالا، شیب حوزه و شاخص همواری دره با درجه تفکیک بالا به ترتیب جزء موثرترین عوامل در برآورد آب معادل برف و همچنین در مورد عمق برف، پارامترهای مقطع طولی انحناء، انحناء، مقطع عرضی انحناء، اثر باد، شیب حوزه، ارتفاع نرمال شده و شاخص بالای پشته با درجه تفکیک بالا به ترتیب جزء موثرترین عوامل در برآورد عمق برف می باشند.

در بسیاری از مناطق کوهستانی بخش قابل توجهی از بارش به صورت برف می باشد که منبع مهم جریان رودخانه ای محسوب می گردد. بارش برف و انباشت آن در حوزه های آبخیز منبع با ارزشی است که بررسی کمیت و کیفیت آن از اهمیت زیاد برخوردار است. برآورد دقیق رواناب حاصل از برف، نیاز به توزیع مکانی ذخایر برفی دارد. اما دستیابی به توزیع مکانی عمق برف می بایست از راه اطلاعات مشاهده ای و در مقیاس فشرده صورت گیرد که با توجه به محدودیت های عملی در جمع آوری اطلاعات، دشوار و گاهی غیرممکن می باشد. لذا با توجه به مشکلات ذکر شده و ناکافی بودن ایستگاه های برف سنجی در مناطق مرتفع، استفاده از روش های غیرمستقیم ضروری به نظر می رسد. در این پژوهش محدوده ای به وسعت 16 هکتار در ارتفاعات سخوید تفت انتخاب و با استفاده از نمونه بردار مونت - رز داده های عمق برف در 206 نقطه اندازه گیری شد. سپس با استفاده از 30 پارامتر ژئومرفومتری، به ارزیابی کارآیی چهار روش شبکه عصبی مصنوعی و الگوریتم m5 مدل درختی، رگرسیون خطی چند متغیره و رگرسیون کریجینگ در برآورد توزیع مکانی عمق برف پرداخته شد. نتایج حاصل از این تحقیق نشان داد که روش الگوریتم m5 مدل درختی با ضریب نش سات کلیف 0/8مجذور میانگین مربعات خطای با میزان 8/5 سانتیمتر مناسب ترین روش مورد استفاده می باشد. همچنین نتایج آنالیز حساسیت نشان داد که از بین پارامترهای ژئومرفومتری به کار رفته در الگوریتم m5 مدل درختی، سطح اساس شبکه زهکشی(به میزان 100 درصد)، قدرت آبراهه (به میزان 75 درصد)، شاخص رطوبتی (68 درصد)، ارتفاع از سطح دریا، سایه اندازی، ارتفاع بالای شبکه زهکشی، شکل دامنه، اثر باد، شیب، انحنا به ترتیب جزء موثرترین عوامل می باشند.

امروزه بشر از آخرین فناوری های موجود علمی و عملی موجود برای حل مشکل کم آبی در مناطق خشک و نیمه خشک کمک می گیرد. یکی از این روش ها در ارتباط با افزایش بارش و تولید آب فن آوری بارورسازی ابرها می باشد. تخمین راندمان پروژه های باروری ابرها از اهمیت زیادی برخوردار است. در حقیقت حصول روش هایی برای تضمین میزان آب استحصالی از عملیات بارورسازی ابرها مهمترین هدف ارزیابی پروژه های بارورسازی ابرها می باشد. روش های یادگیری ماشین از قبیل مدل درختان تصمیم گیری که مبتنی بر اصول یادگیری براساس داده های موجود می باشند، می توانند در این راستا مفید واقع گردند. روش درخت تصمیم یک روش سلسله مراتبی یا چند مرحله ای است که در آن به صوررت بازگشتی مجموعه داده ها به روش دودویی به تقسیمات فرعی و کوچکتر تقسیم بندی می شود تا زمانی که تقسیمات فرعی نتواند بیشتر از آن تجزیه شوند. درختان تصمیم استقرایی مجموعه ای از داده های معلوم را می گیرد و یک درخت تصمیم استنتاج می کند. سپس درخت می تواند به صورت مجموعه قوانینی برای پیش بینی نتیجه ویژگی های معلوم استفاده شود. در این تحقیق جهت ارزیابی پروژه بارورسازی ابرها، در استان فارس در سال آبی 1388- 1389 از مدل درخت تصمیم رگرسیونی استفاده گردید. جهت پیش بینی میزان بارش قابل انتظار در منطقه هدف سال آبی مذکور مدل درختان تصمیم در 4حالت شبیه سازی شد. جهت ارزیابی دقت نتایج مدل سازی در هر حالت از معیارهای آماری، ضریب همبستگی، جذر میانگین مربع خطاها و انحراف استفاده گردید. نتایج نشان داد که مدل درختان تصمیم رگرسیونی با داده های خام و آموزش تصادفی مدل بهتر آموزش دیده و پیش بینی های دقیق تری را از حجم بارش مناطق هدف ارائه می دهند. سپس با استفاده از نتایج بهترین حالت مدل سازی بارش مورد انتظار منطقه هدف پیش بینی گردید. تفاوت بین میزان بارش واقعی رخ داده و میزان بارش قابل انتظار به عنوان میزان حجم آب استحصالی از عملیات باروری ابرها در استان فارس در سال آبی 1388- 1389 بیان گردید، که نتایج حاکی از افزایش 14% بارش در منطقه عملیاتی در طی دروه عملیاتی می باشد.