@ARTICLE{Vafakhah, author = {Ghaderi, K. and Motamedvaziri, B. and Vafakhah, M. and Dehghani, A.A. and }, title = {Comparison of Artificial Neural Network, Decision Tree and Bayesian Network Models in Regional Flood Frequency Analysis using L-moments and Maximum Likelihood Methods in Karkheh and Karun Watersheds}, volume = {25}, number = {4}, abstract ={پیش¬بینی صحیح دبی سیل، برای طراحی سازه‌های هیدرولیکی، کاهش خطر شکست و به حداقل¬رساندن آسیب‌های محیط زیستی پایین‌دست، از اهمیت زیادی برخوردار است. هدف از انجام این مطالعه، بررسی کاربرد روش‌های یادگیری ماشین برای تحلیل منطقه‌ای فراوانی سیلاب است. برای دستیابی به این هدف، 18 پارامتر فیزیوگرافی، اقلیمی، سنگ¬شناسی و کاربری اراضی برای حوضه‌های بالادست ایستگاه‌های هیدرومتری حوزه‌های آبخیز کرخه و کارون (46 ایستگاه با طول آماری 21 سال) درنظر گرفته شد. سپس، بهترین تابع توزیع احتمال با استفاده از آزمون کولموگروف- اسمیرنف در هر ایستگاه برای برآورد دبی سیل با دوره بازگشت 50 سال با استفاده از روش‌های حداکثر درستنمایی و گشتاورهای خطی تعیین شد. درنهایت، تحلیل منطقه‌ای فراوانی سیلاب با استفاده از درخت تصمیم، شبکه بیزی و شبکه عصبی مصنوعی انجام شد. نتایج نشان داد که توزیع لوگ پیرسون تیپ 3 در روش حداکثر درستنمایی و توزیع نرمال‏ تعمیم‏یافته در روش گشتاورهای خطی بهترین توزیع احتمالی منطقه‌ای هستند. بر اساس آزمون گاما، پارامترهای محیط، طول حوضه، عامل شکل و طول جریان اصلی به‌عنوان بهترین ترکیب ورودی انتخاب شدند. نتایج تحلیل منطقه‌ای فراوانی سیلاب نشان داد که مدل بیزی با روش گشتاور خطی ((R2=0.7 بهترین برآورد را در مقایسه با روش‌های دیگر دارد. درخت تصمیم و شبکه عصبی مصنوعی در رده‌‌های بعدی قرار داشتند. }, URL = {http://jstnar.iut.ac.ir/article-1-4131-fa.html}, eprint = {http://jstnar.iut.ac.ir/article-1-4131-fa.pdf}, journal = {Journal of Water and Soil Science}, doi = {10.47176/jwss.25.4.21888}, year = {2022} }