مقایسه کارایی منحنی سنجه رسوب و مدل های یادگیری در برآورد رسوب معلق رودخانه های کارستی (مطالعه موردی: ایستگاه های هیدرومتری حوضه های خرم آباد، الشتر و بیرانشهر)

چکیده مبسوط مقدمه: انتقال رسوب توسط جریان­های سطحی یکی از فرآیندهای اولیه است که مسئول تغییر شکل سطح زمین می­باشد. روی زمین این فرآیند به­طور گسترده در قالب سیستم­های زهکشی رودخانه­ها و رسوبات آبرفتی بیان می­شود که بر ژئومورفولوژی مناطق وسیعی از سطح زمین اثر دارند و مسئول جریان رسوب از خشکی به اقیانوس­ها هستند. یکی از مهم­ترین مشکلاتی که مخزن ذخیره سدها را تهدید می­کند، ورود رسوبات است. به دلیل مشکلات مختلف، تخمین حجم رسوبات فرآیندی پیچیده است؛ بنابراین روش­هایی توسط محققان برای حل این مشکل ابداع شده­اند. مدل سازی بار رسوب معلق موضوع مهمی برای تصمیم گیرندگان در سطح حوضه است. مدل­سازی دقیق و مطمئن بار رسوب معلق یکی از موضوعات مهم برای برنامه­ریزی، مدیریت و طراحی سازه­های ذخیره آب در شبکه زهکشی است. لذا هدف این مطالعه مقایسه کارایی منحنی سنجه رسوب و الگوریتم های یادگیری ماشین برای تخمین بار رسوب معلق در رودخانه های کارستی در ایستگاه­های هیدرومتری بهرام­جو، چم­انجیر، سراب صیدعلی و کاکارضا، استان لرستان، ایران بود. مواد و روش­ها : در این مطالعه منحنی سنجه رسوب و پنج مدل، ماشین­بردار پشتیبان با کرنل RBF  (SVM-RBF)، ماشین­بردار پشتیبان با کرنل  PUK  (SVM-PUK)، فرآیندهای گاوسی با کرنل PUK (GP-PUK)، فرآیندهای گاوسی با کرنل RBF (GP-RBF)،  M۵P، REEP Tree و جنگل تصادفی (RF) برای پیش­بینی بار رسوب معلق در حوزه­آبخیز کشکان، ایران مورداستفاده قرار گرفتند. ایستگاه­های چم­انجیر، بهرام­جو، سراب صیدعلی و کاکارضا برای بررسی در این پژوهش انتخاب شدند. داده­های دما، باران و دبی به­عنوان پارامترهای ورودی و بار رسوب معلق به عنوان پارامتر خروجی استفاده شدند. دوره آماری داده­ها ۲۰ سال (۲۰۰۱-۲۰۲۱) انتخاب شده­اند. مجموعه داده های این تحقیق شامل دما، باران، دبی و بار رسوب معلق سه زیرحوضه است که ۷۰ درصد داده ها برای آموزش و ۳۰ درصد داده ها برای مرحله آزمایش استفاده شدند. درنهایت، دقت مدل ها با استفاده از سه پارامتر ارزیابی عملکرد، ضریب همبستگی، ریشه میانگین مربعات خطا و میانگین خطای مطلق مورد ارزیابی قرار گرفت. نتایج و بحث: نتایج نشان داد که مدل­های SVM-PUK، GP-PUK، GP-RBF، M۵P، REEP Tree و RF دارای کارایی بیشتری نسبت به روش منحنی سنجه رسوب بودند، زیرا از تکنیک های غیرخطی برای بازسازی داده ها استفاده می­کنند. علاوه بر این، از بین همه مدل ها، مدل M۵P که از داده های تجزیه شده استفاده می کرد و ویژگی های دینامیکی داده های سری زمانی بار رسوب معلق غیرخطی و غیرثابت را به تصویر می کشید، کارایی بهتر و بالاتری در تخمین رسوب معلق نسبت به دیگر مدل­ها از خود نشان داد. بهترین ضریب تبیین نتایج منحنی سنجه­رسوب برابر ۵۹۴۱/۰ بود. مدل M۵P بهترین ضریب تبیین را حدود ۸۹/۰ را نشان داد که کارایی بالاتری نست به منحنی سنجه­رسوب بود. اگرچه این مدل نقاط اوج رسوب معلق را بهتر از SRC نشان داد، اما باز هم بار رسوب را بیش از حد مشاهداتی تخمین می زد و نمی توانست مقادیر اوج رسوب معلق را که برای اهداف طراحی از اهمیت بالایی برخوردار هستند، را به­طور دقیق نشان دهد. نتیجه ­گیری: رسوبات حمل شده توسط آب مشکلات جدی ایجاد می­کند، ازجمله عمر مخزن سدها را کوتاه می­کنند و ظرفیت تخلیه کانال را به­ویژه در انتهایی رودخانه­ها کاهش می­دهند. بنابراین، مدیریت رسوب قانون طلایی در مهندسی رودخانه است که تلاش و انرژی زیادی برای انجام آن صرف می­شود. یکی از جنبه­های مهم مدیریت رسوب، تخمین رسوب است که بیشتر به صورت معلق در رودخانه­ها و دیگر توده­های آبی یافت می­شود. این تحقیق بر مقایسه مدل­های مختلف تخمین رسوب معلق در رودخانه ها انجام شده است. این تحقیق شامل روش سنتی، یعنی منحنی سنجه رسوب و الگوریتم­های یادگیری، یعنی SVM-PUK، GP-PUK، GP-RBF، M۵P، REEP Tree و RF است. نتایج این مطالعه ارائه اطلاعات علمی برای پیش بینی بار رسوب معلق است و الگوریتم­های یادگیری می توانند یک تکنیک کارآمد برای شبیه سازی سری های زمانی بار رسوب معلق باشند زیرا ویژگی های کلیدی تعبیه شده در میزان بار رسوب معلق را استخراج می کنند. در نهایت نتایج این تحقیق نشان داد که مدل M۵P در پیش بینی میزان رسوب معلق در حوضه های خرم آباد، بیرانشهر و الشتر دارای کارایی بالایی است.

کلیدواژه ها:

استان لرستان ، حوضه کشکان ، رسوب معلق ، منحنی سنجه رسوب ، الگوریتم های یادگیری