%0 Journal Article %T برآورد ضریب رواناب رگبار با استفاده از هوش مصنوعی (مطالعۀ موردی: حوضۀ آبخیز کسیلیان) %J اکوهیدرولوژی %I دانشکده علوم و فنون نوین دانشگاه تهران %Z 2423-6098 %A پوراسدالله, حسین %A وفاخواه, مهدی %A معتمد وزیری, بهارک %A مقدم نیا, علیرضا %A اسلامی, حسین %D 2021 %\ 06/22/2021 %V 8 %N 2 %P 499-512 %! برآورد ضریب رواناب رگبار با استفاده از هوش مصنوعی (مطالعۀ موردی: حوضۀ آبخیز کسیلیان) %K حفاظت آب و خاک %K شاخص نرمال‌شدۀ اختلاف پوشش گیاهی %K شبکۀ عصبی مصنوعی %K مدیریت رواناب %R 10.22059/ije.2021.319659.1476 %X در تحقیق پیش رو تخمین ضریب رواناب با توجه به تأثیر پوشش گیاهی انجام ‏شده است. ابتدا مدل‏سازی ضریب رواناب با استفاده از داده‏های سیلاب و رگبار ساعتی طی دورۀ آماری 1366ـ 1388 انجام شده و ضرایب رواناب حوضۀ آبخیز کسیلیان تهیه شد. در مرحلۀ بعد، با استفاده از مدل‏های شبکۀ عصبی مصنوعی (ANN)، شبکۀ عصبی‌ـ فازی تطبیقی (ANFIS) و رگرسیون بردار پشتیبان (SVR) و عوامل مؤثر شامل شدت بارش، مقدار شاخص ، بارش 5 روز قبل و شاخص نرمال‌شدۀ اختلاف پوشش گیاهی (NDVI) ضریب رواناب در مقیاس رگبار برآورد شد. سپس، صحت و اهمیت هر یک از عوامل مؤثر بر ضریب رواناب حوضۀ آبخیز کسیلیان ارزیابی شد. نتایج نشان داد از بین سه مدل ANN، ANFIS و SVR، مدل ANN با مجذور میانگین مربعات خطا، ضریب تبیین، میانگین خطای اریبی و ضریب نش‌ـ ساتکلیف به‌ترتیب 08/0، 85/0، 84/0 و 01/0 در مرحلۀ آموزش و 12/0، 76/0، 74/0 و 03/0- در مرحلۀ آزمایش به عنوان مدل کارا در ارتباط با پیش‏بینی ضریب رواناب است. در مجموع، پیشنهاد می‏شود با توجه به اینکه ضریب رواناب کارکرد زیادی در فرایندهای هیدرولوژیک و بروز سیل دارد، بنابراین تخمین بهینۀ آن می‏تواند به مدیریت بهتر حفاظت آب و خاک و مدیریت فرسایش و رسوب حوضۀ آبخیز کمک کند. %U https://ije.ut.ac.ir/article_82292_9ac9f05e7c0696dcfe594acf1c441820.pdf