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)
- سال انتشار: 1403
- محل انتشار: فصلنامه مدیریت جامع حوزه های آبخیز، دوره: 4، شماره: 2
- کد COI اختصاصی: JR_IWM-4-2_004
- زبان مقاله: فارسی
- تعداد مشاهده: 170
نویسندگان
گروه مهندسی مرتع و آبخیزداری، دانشکده منابع طبیعی، دانشگاه لرستان، لرستان، ایران
گروه مهندسی مرتع و آبخیزداری، دانشکده منابع طبیعی، دانشگاه لرستان، لرستان، ایران
گروه مهندسی مرتع و آبخیزداری، دانشکده منابع طبیعی، دانشگاه لرستان، لرستان، ایران
چکیده
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 یادگیریاطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.