پیش بینی رسوب معلق با استفاده از داده های هیدرولوژیک و هیدروژئومورفیک در مدل های هوشمند

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجوی دکترای گروه مهندسی آبخیزداری، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ایران

2 دانشیارگروه مهندسی آبخیزداری، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ایران

3 استاد علوم زمین و محیط زیست، دانشگاه آسیای میانه، تاجیکستان

4 دانش آموخته دکترای گروه مهندسی برق، دانشگاه صنعتی خواجه نصیرالدین طوسی، ایران

چکیده

برآورد دقیق مقدار رسوبات حمل شده توسط رودخانه ها، در مدیریت منابع آب از اهمیت بسیاری برخوردار است. بنابراین شناسایی و پیشنهاد مدلهای مناسب جهت برآورد رسوب معلق از اهداف مهم تلقی میشود که استفاده از روش نوین مدلهای هوشمند از جمله شبکه عصبی مصنوعی و رگرسیون بردار پشتیبان در این زمینه تحول عظیمی وجود آورده است. یک گام مهم در مدلسازی رسوب معلق با استفاده از این مدلها، انتخاب ورودیهای مناسب میباشد، زیرا ساختار و نتایج مدل را تحت تاثیر قرار میدهند. با توجه به اینکه در اکثر مطالعات در زمینه برآورد رسوب معلق با استفاده از مدلهای داده محور، تنها از متغیرهای اقلیمی و هیدرولوژیکی به عنوان متغیرهای تخمینگر استفاده گردیده است. بنابراین پژوهش حاضر به منظور تعیین متغیرهای ژئومورفولوژیکی اثرگذار و قابل دسترس در تخمین رسوب معلق در حوضه آبخیز تمر طراحی گردید. برای دستیابی به این هدف، نقش شاخص اتصال رسوبی به عنوان یک ورودی هیدروژئومورفیک علاوه بر ورودیهای هیدرولوژیکی با استفاده از مدلهای مذکور در تخمین رسوب معلق مورد ارزیابی قرار گرفت. مقایسه نتایج الگوهای ورودی مختلف نشان داد که شاخص اتصال رسوبی به همراه متغیرهای هیدرولوژیکی کارایی مدلها را بهبود میدهد و این بهبود به صورت کاهش (9/63% و 26/36%) در مجذور میانگین مربعات خطا و افزایش قابل توجه (25/80% و 21/85%) در ضریب کارایی ناش_ساتکلیف و (13/20% و 45/94%) در ضریب تبیین به ترتیب در مدلهای شبکه عصبی مصنوعی و رگرسیون بردار پشتیبان میباشد. نتایج این پژوهش با توجه به برآورد دقیقتر رسوب معلق در طراحی و مدیریت منابع آب با ارزش میباشد.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Prediction of Suspended Sediment Using Hydrologic and Hydrogeomorphic Data within Intelligence Models

نویسندگان [English]

  • Haniyeh Asadi 1
  • Kaka Shahedi 2
  • ROY Sidle 3
  • Mostapha Kalami Heris 4
1 PhD Student, Department of Watershed Management Engineering, Sari Agricultural Sciences and Natural Resources University, Iran
2 Associate Professor, Department of Watershed Management Engineering, Sari Agricultural Sciences and Natural Resources University,
3 Director of Mountain Societies Research Institute and Professor of Earth and Environmental Sciences, University of Central Asia, Tajikistan
4 PhD Graduate, Faculty of Electrical Engineering, K.N.Toosi University of Technology, Iran
چکیده [English]

Accurate estimation of transported sediment by rivers plays an important role in water resources management. So the selection of proper methods for estimation of suspended sediment is an important objective. In this regard, application of intelligence models (e.g., ANN, SVR) have substantially improved the prediction of suspended sediment. An important step in suspended sediment modeling using these models is, the proper input selection because input vectors determine the structure of the model and, hence, can influence model results. In the most studies, only climatic and hydrological variables have been used as suspended sediment estimators using data-driven models. Therefore, this study was designed to determine effective and accessible geomorpholigical variables based on hydrologic understanding in suspended sediment estimation for the Tamar catchment. To accomplish this goal, the effect of an Index of Connectivity (IC) as a hydrogeomorphic input, in addition to the hydrologic inputs, using ANN and SVR models was investigated. Comparison of results indicated that using IC along with hydrological inputs improve models efficiency and this improvement is indicated by decrease in the root mean squared error (9.63% and 26.36%) and a noticeable increase in the Nash–Sutcliffe efficiency (25.80% and 21.85%) and in the coefficient of determination (13.20% and 45.94%) for ANN and SVR models, respectively. These results are valuable for water resources planning and management.

کلیدواژه‌ها [English]

  • Suspended sediment modeling
  • Artificial Neural Network
  • Support vector regression
  • Index of Sediment Connectivity