fa ارائه یک رویکرد نوین در افزایش کارایی مدل‌ منحنی سنجه رسوب در برآو رد بار رسوب معلق حوزه‌های آبخیز (مطالعه موردی: رودخانه مهاباد چای، استان آذربایجان غربی) فرسايش خاک و توليد رسوب فرسايش خاک و توليد رسوب پژوهشي Research <div style="text-align: justify;"><span style="font-size:11px;"><strong>&nbsp;&nbsp; &nbsp;&nbsp;برآورد صحیح مقدار رسوب معلق نقش مهمی در طراحی بهینه سازه‌های آبی، مطالعات فرسایش و رسوب و مطالعات کیفی آب دارد. منحنی سنجه رسوب، یک مدل رگرسیونی مرسوم و شناخته‌شده در این زمینه بوده، بااین‌حال به دلیل تبدیلات لگاریتمی در واسنجی این مدل، مقادیر برآوردی آن اغلب کمتر از مقدار واقعی است. در پژوهش حاضر، با استفاده از داده‌های دبی لحظه‌ای جریان و بار رسوب معلق ایستگاه هیدرومتری بیطاس در رودخانه مهاباد چای، مدل منحنی سنجه رسوب واسنجی و پس‌ازآن، با استفاده از الگوریتم ژنتیک چند هدفه </strong><strong>با مرتب‌سازی نامغلوب</strong><strong> (</strong><strong><span dir="LTR"><span style="font-family:times new roman,serif;">NSGA-II</span></span></strong><strong>)، ضرایب این مدل مجدداً بهینه شد. این الگوریتم یک‌روال</strong><strong> خودکار بوده و می‌تواند توابع هدف مختلفی را در فرآیند واسنجی ب</strong><strong>ه&shy;</strong><strong>طور هم‌زمان مورد استفاده قرار دهد. در این رابطه </strong><strong>در فرایند واسنجی مدل </strong><strong>از چهار تابع هدف</strong><strong><span dir="LTR"><span style="color:black;"><span style="font-family:times new roman,serif;">RMSE </span></span></span></strong><strong><span style="color:black;">،</span></strong><strong><span dir="LTR"><span style="color:black;"><span style="font-family:times new roman,serif;">MAE </span></span></span></strong><strong><span style="color:black;">، </span></strong><strong><span dir="LTR"><span style="color:black;"><span style="font-family:times new roman,serif;">NSE</span></span></span></strong><strong><span style="color:black;"> و</span></strong><strong><span dir="LTR"><span style="color:black;"><span style="font-family:times new roman,serif;"> LOGE </span></span></span></strong><strong>&nbsp;به&shy;طور دوبه‌دو استفاده گردید که با توجه به نتایج ارزیابی مدل، توابع هدف </strong><strong><span dir="LTR"><span style="color:black;"><span style="font-family:times new roman,serif;">NSE</span></span></span></strong><strong><span style="color:black;"> و</span></strong><strong><span dir="LTR"><span style="color:black;"><span style="font-family:times new roman,serif;"> LOGE </span></span></span></strong><strong>به‌عنوان بهترین توابع هدف جهت بهینه‌سازی مدل انتخاب شدند. همچنین به‌منظور افزایش قدرت تعمیم دهی مدل‌ها، از شبکه عصبی بدون ناظر نگاشت خودسازمان‌ده (</strong><strong><span dir="LTR"><span style="font-family:times new roman,serif;">SOM</span></span></strong><strong>) برای خوشه‌بندی داده‌ها و تشکیل دو مجموعه داده همگن (مجموعه‌های واسنجی و ارزیابی) به نسبت 70 و 30 درصد استفاده شد. نتایج نشان داد که استفاده از الگوریتم </strong><strong><span dir="LTR"><span style="font-family:times new roman,serif;">NSGA-II</span></span></strong><strong> سبب افزایش کارایی مدل شده به‌نحوی‌که نتایج آن، از نتایج دیگر مدل‌های مرسوم منحنی سنجه رسوب (نظیر منحنی سنجه حد وسط دسته‌ها، منحنی سنجه‌های تصحیح‌شده با ضرایب تصحیحی) بهتر است. در این رابطه، مقدار خطای (</strong><strong><span dir="LTR"><span style="font-family:times new roman,serif;">RMSE</span></span></strong><strong>) داده‌های آزمون در بهترین مدل منحنی سنجه، 65/383 تن در روز محاسبه گردید که با استفاده از الگوریتم </strong><strong><span dir="LTR"><span style="font-family:times new roman,serif;">NSGA-II</span></span></strong><strong> به 94/102 تن در روز کاهش یافت. درمجموع، با استفاده از الگوریتم </strong><strong><span dir="LTR"><span style="font-family:times new roman,serif;">NSGA-II</span></span></strong><strong> می‌توان ضرایب مدل منحنی سنجه رسوب را به‌نحوی‌ بهینه نمود که کارایی آن بیشتر از سایر مدل‌های سنتی گردد. </strong></span></div> &nbsp; The estimation of the correct amount of suspended sediment has an important role in the optimal design of water structures, erosion studies and water quality studies. The sediment rating curve (SRC) is a conventional and well-known regression model. However, due to logarithmic transformations in calibrating this model, its estimated values ​​are often less than actual values. In the present study, using the instantaneous flow discharge and suspended sediment load of Beytas hydrometric station in the Mahabad-Chai River, the SRC model was calibrated, and then using Non-dominated Sorting Genetic Algorithm II (NSGA-II), the coefficients of this model optimized again. This algorithm is an automatic procedure and can use different objective functions in the calibration process simultaneously. In this regard, in the calibration process of the model, four objective functions RMSE, MAE, NSE, and LOGE were used as pairwise combinations. According to the results of the model evaluation, the NSE and LOGE objective functions were selected as the best objective functions for optimization of the model. In order to increase the power of the model&#39;s generalization, the self-organizing map (SOM) neural network was used to cluster data and form two homogeneous data sets (calibration and evaluation sets) of 70% and 30% respectively. The results showed that the use of the NSGA II algorithm resulted in improved model efficiency so that the results are much more favorable than the other results of conventional SRC models (such as the rating curve of mean load within discharge classes, SRC models corrected by correction factors). In this regard, the error value (RMSE) of the test data set in the best model of the conventional SRC models was 383.65 tons/day, which was reduced by using the NSGA II algorithm to 102.94 tons/day. In sum, using the NSGA-II algorithm, we can optimize the coefficients of the SRC model, which is more efficient than the other conventional models.<br> &nbsp; الگوریتم بهینه‌سازی چند هدفه با مرتب‌سازی نامغلوب, رسوب معلق, خوشه‌بندی, شبکه عصبی مصنوعی, منحنی سنجه رسوب, نگاشت خودسازمان‌ده Artificial Neural Network, Clustering, Curve, Non-dominated Sorting Genetic Algorithm II (NSGA-II), Sediment Rating Self-Organizing Map, Suspended Sediment 181 193 http://jwmr.sanru.ac.ir/browse.php?a_code=A-10-444-2&slc_lang=fa&sid=1 Mahmoudreza Tabatabaei محمودرضا طباطبایی taba1345@hotmail.com 10031947532846007814 10031947532846007814 Yes Soil Conservation and Watershed Management Research Institute, Agricultural Research, Education and Extension Organization (AREEO) پژوهشکده حفاظت خاک و آبخیزداری، سازمان تحقیقات، آموزش و ترویج کشاورزی، تهران، ایران Amin Salehpour Jam امین صالح پورجم aminpourjam@yahoo.com 10031947532846007815 10031947532846007815 No Soil Conservation and Watershed Management Research Institute, Agricultural Research, Education and Extension Organization (AREEO) پژوهشکده حفاظت خاک و آبخیزداری، سازمان تحقیقات، آموزش و ترویج کشاورزی، تهران، ایران Seyed Ahmad Hosseini سید احمد حسینی sahosseini@yahoo.com 10031947532846007816 10031947532846007816 No Soil Conservation and Watershed Management Research Institute, Agricultural Research, Education and Extension Organization (AREEO) پژوهشکده حفاظت خاک و آبخیزداری، سازمان تحقیقات، آموزش و ترویج کشاورزی