fa پیش بینی دبی جریان با استفاده از یادگیری ماشین تخصصي Special پژوهشي Research <span dir="RTL" lang="FA" style="font-size:11.0pt"><span style="line-height:107%"><span b="" mitra="" style="font-family:">با توجه به اینکه رودخانه قره سو یکی از مهم ترین رودخانه های پرآب و نقش اساسی در آبیاری و &nbsp;تامین آب کشاورزی وباغات دارد به همین منظور از پنج مدل یادگیری ماشین شامل جنگل تصادفی، نزدیک ترین همسایه، رگرسیون خطی، تقویت گرادیان و شبکه عصبی مصنوعی برای پیش بینی دبی رودخانه در دو ایستگاه سامیان و ارباب کندی در حوضه پایاب قره سو انجام گرفت. در این پژوهش ابتدا داده های گمشده دبی رودخانه و اقلیمی حذف گردیدند. علاوه براین، برای عملیات دقیق تر میانگین متحرک 7 روزه و میانگین دبی و مجموع بارش سه روزه در نظر گرفته شد. برای پیش بینی مدل ها 70 درصد برای آموزش، 15 درصد برای اعتبار سنجی و 15 درصد برای ارزیابی در نظر گرفته شد. در نهایت نتایج نشان داد در ایستگاه سامیان مدل تقویت گرادیان با ضریب تعیین 0.8617 و ریشه میانگین مربعات خطا 0.6317 بهترین عملکرد را داشته است در مقابل، در ایستگاه ارباب کندی الگوریتم جنگل تصادفی با ضریب تعیین 0.7461 و ریشه میانگین مربعات خطا با مقدار 1.1726 بهترین نتیجه را ارائه داده است. همچنین در دو ایستگاه سامیان و ارباب کندی الگوریتم نزدیک ترین همسایه با ضریب تعیین &nbsp;0.7207 و 0.5340 و ریشه میانگین مربعات خطا با مقدار1.2760 و 1.1597 به ترتیب بدترین عملکرد را در پیش بینی دبی رودخانه داشته است. </span></span></span> <span style="font-size:10.0pt"><span style="line-height:107%"><span new="" roman="" style="font-family:" times=""><span style="color:black">According to the Gara su is the most significant Permanent rivers in Ardabil and plays a central role in supplying and watering in management agriculture and gardens. This study employed five machine learning models&mdash;namely Random Forest (RF), k‑Nearest Neighbors (KNN), Gradient Boosting, Artificial Neural Network (ANN), and Linear Regression (LR) were employed to predict daily river discharge at two hydrometric stations, Samian and Arbab Kandi. In the first step, missing river discharge and climatic data were removed. In addition, for more specific processing, a 7‑day average discharge and a 3‑day average rainfall was considered. Additionally, we divided data into three parts including training 70 % validation 15% and testing 15%. Moreover, results showed that at the Samian Station the Gradient Boosting model achieved the best performance in coefficient of determination (R&sup2;) of 0.8617 and a root mean square error (RMSE) of 0.631. In contrast, at the Arbab kandi station, the Random Forest model with the best score an R20.7461 and RMSE about 1.1726, but also the KNN model at both stations recorded low R2.&nbsp; an R2 0.7207 and 0.5340. In addition, RMSE value was about&nbsp;&nbsp; 1.2760 and1.1597. Finally, the KNN was the worst model among machine learning models in this study</span></span></span></span><span style="font-size:10.0pt"><span style="line-height:107%"><span new="" roman="" style="font-family:" times="">.</span></span></span> اردبیل، ماشین لرنینگ، دبی، پیش بینی Ardabil, Machine learning, discharge, prediction 0 0 http://jircsa.ir/browse.php?a_code=A-10-2457-1&slc_lang=fa&sid=1 Sayyad Asghari Saraskanroud صیاد اصغری سراسکانرود s.asghari@uma.ac.ir 10031947532846006535 10031947532846006535 Yes Professor ، Department of Physical Geography ، Faculty of Social Sciences ، University of Mohaghegh Ardabili ، Ardabil ، Iran استاد،گروه جغرافیای طبیعی، دانشکده علوم اجتماعی،دانشگاه محقق اردبیلی، اردبیل، ایران Amin Abdolalipouradl امین عبدالعلی پور عدل Amin74adl@gmail.com 10031947532846006536 10031947532846006536 No MSc. Graduate, Department of Geomorphology, Faculty of Literature and Humanities, Tarbiat Modares University, Tehran, Iran دانش آموخته کارشناسی ارشد، گروه ژئومورولوژی، دانشکده ادبیات و علوم انسانی، دانشگاه تربیت مدرس، تهران، ایران