پیش بینی رسوبات معلق با استفاده از مدل ترکیبی منحنی سنجه رسوب و شبکه ی عصبی مصنوعی در ایستگاه نارون افجه
پیشبینی رسوبات معلق با استفاده از مدل ترکیبی منحنی سنجه رسوب و شبکه ی عصبی مصنوعی در ایستگاه نارون افجه
استادیار بخش تحقیقات حفاظت خاک و آبخیزداری، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان کرمانشاه، ایران
10.22092/WMRJ.2024.366243.1589
لینک دانلود مقاله:
https://wmrj.areeo.ac.ir/article_132004.html
مقدمه
روش های سنتی پیش بینی مانند منحنی های سنجه رسوب به دلیل عدم در نظر گرفتن تمامی پارامترهای موثر، دقت کافی ندارند. در این راستا، مدل های ترکیبی شامل منحنیهای سنجه رسوب (SRC) و شبکه های عصبی مصنوعی (ANNs) بهعنوان روشی نوین برای پیش بینی دقیق تر غلظت رسوبات معلق مطرح شده اند. این مدل ها با توانایی یادگیری الگوهای پیچیده و غیرخطی، عملکرد بهمراتب بهتری نسبت به روش های سنتی ارائه می دهند. مطالعه حاضر باهدف توسعه و کاربرد مدل ترکیبی SRC-ANN برای پیش بینی غلظت رسوبات معلق انجامشده است. پیش بینی می شود این مدل با ترکیب نقاط قوت هر دو روش، دقت پیش بینی را بهطور قابلتوجهی افزایش دهد و در مدیریت بهینه منابع آب و عملکرد صحیح سازه های آبی یاری گر باشد.
مواد و روشها
در این مطالعه، مدل ترکیبی جدیدی متشکل از منحنی سنجه رسوب و شبکه عصبی مصنوعی برای پیش بینی دقیق تر غلظت رسوبات معلق در ایستگاه هیدرومتری نارون (افجه) ارائه می شود. برای این منظور، از داده های دبی جریان و رسوب معلق 222 نمونه طی دوره 50 ساله (1350 تا 1400) استفاده شد. 14 روش مختلف شامل 6 مدل منحنی سنجه رسوب، 6 مدل شبکه عصبی مصنوعی و 2 مدل ترکیبی برای شبیه سازی رسوبات معلق به کار گرفته شد و عملکرد هر روش با استفاده از معیارهای آماری نظیر ضریب تعیین (R2)، ضریب کارایی (ME) و میانگین درصد خطای نسبی (RME) مورد ارزیابی قرار گرفت.
نتایج و بحث
نتایج نشان داد که در بین روشهای منحنی سنجه رسوب، روش حد وسط دسته ها با ضریب تعیین (R2) 84/0، ضریب کارایی (ME) 82/0 و میانگین درصد خطای نسبی (RME) 87/211، در بین روشهای شبکه عصبی مصنوعی، روش CANFIS با ضریب کارایی (ME) 8123/0 و میانگین درصد خطای نسبی (RME) 72/248 شبیه سازی بسیار دقیق تری از وضعیت دبی رسوب مشاهده شده را نسبت به سایر روشها ارائه داده بودند. درنهایت، بهمنظور بهبود نتایج پیش بینی ها از مدل های ترکیبی 1 و 2 استفاده شد. نتایج نشان داد که روش ترکیبی 1 با ضریب کارایی (ME) 8761/0 و میانگین درصد خطای نسبی (RME) 63/59 بهترین برآورد از رسوب معلق را ارائه دادهاند، بهگونه ای که هم مقادیر دبی های اوج و هم مقادیر دبی های پایه را بسیار دقیق برآورد نموده است و بهعنوان دقیق ترین روشها برای پیش بینی رسوبات معلق شناختهشدهاند. این نتایج مهم نشان می دهند که استفاده از مدل ترکیبی 1 می تواند بهبود قابلتوجهی در دقت پیش بینی ها و همچنین تناسب بهتر با داده های مشاهده شده داشته باشد.
نتیجه گیری
از بین روشهای منحنی سنجه رسوب، روش منحنی سنجه رسوب حد وسط دسته ها به دلیل در نظر گرفتن توزیع داده ها و انعطاف پذیری، بهعنوان بهترین روش برای پیش بینی رسوب معلق معرفی شد. شبکه های عصبی مصنوعی نیز در شبیه سازی رسوبات معلق مربوط به دبی های پایه و نرمال عملکرد خوبی داشتند، اما در پیش بینی رسوبات معلق در زمان های سیلابی ضعیف تر عمل کرد. مدل ترکیبی 1 که از ترکیب روش های منحنی سنجه و شبکه عصبی مصنوعی استفاده می کند، دقیق ترین روش برای پیش بینی رسوب معلق شناخته شد. انتخاب روش نامناسب برای پیش بینی رسوبات می تواند منجر به نتایج نادرست شود. محققان بر انجام تحقیقات بیشتر و جمع آوری داده های همزمان غلظت رسوب و دبی جریان در ایستگاه های مختلف تاکید می کنند تا مدل سازی ها دقیق تر شود. همچنین بررسی تاثیر متغیرهای دیگر علاوه بر دبی جریان بر رسوب نیز ضروری است. استفاده از مدل های ترکیبی مانند مدل ارائهشده در این مطالعه، می تواند دقت پیش بینی رسوبات معلق را بهطور قابلتوجهی افزایش دهد و بهعنوان ابزاری موثر برای مدیریت و پیش بینی رسوبات معلق و درنهایت بهبود مدیریت منابع آب مورداستفاده قرار گیرد. توسعه و بهینه سازی روش های ترکیبی و همچنین استفاده از داده های بیشتر و متنوع تر ازجمله اقداماتی هستند که می توان برای افزایش دقت مدل ها و بهبود نتایج انجام داد.
از بین روشهای منحنی سنجه رسوب، روش منحنی سنجه رسوب حد وسط دسته ها به دلیل در نظر گرفتن توزیع داده ها و انعطاف پذیری، بهعنوان بهترین روش برای پیش بینی رسوب معلق معرفی شد. شبکه های عصبی مصنوعی نیز در شبیه سازی رسوبات معلق مربوط به دبی های پایه و نرمال عملکرد خوبی داشتند، اما در پیش بینی رسوبات معلق در زمان های سیلابی ضعیف تر عمل کرد. مدل ترکیبی 1 که از ترکیب روش های منحنی سنجه و شبکه عصبی مصنوعی استفاده می کند، دقیق ترین روش برای پیش بینی رسوب معلق شناخته شد. انتخاب روش نامناسب برای پیش بینی رسوبات می تواند منجر به نتایج نادرست شود. محققان بر انجام تحقیقات بیشتر و جمع آوری داده های همزمان غلظت رسوب و دبی جریان در ایستگاه های مختلف تاکید می کنند تا مدل سازی ها دقیق تر شود. همچنین بررسی تاثیر متغیرهای دیگر علاوه بر دبی جریان بر رسوب نیز ضروری است. استفاده از مدل های ترکیبی مانند مدل ارائهشده در این مطالعه، می تواند دقت پیش بینی رسوبات معلق را بهطور قابلتوجهی افزایش دهد و بهعنوان ابزاری موثر برای مدیریت و پیش بینی رسوبات معلق و درنهایت بهبود مدیریت منابع آب مورداستفاده قرار گیرد. توسعه و بهینه سازی روش های ترکیبی و همچنین استفاده از داده های بیشتر و متنوع تر ازجمله اقداماتی هستند که می توان برای افزایش دقت مدل ها و بهبود نتایج انجام داد.
کلیدواژه ها