پيش بيني رسوب معلق با استفاده از داده هاي هيدرولوژيك و هيدروژئومورفيك در مدل هاي هوشمند

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

برآورد دقيق مقدار رسوبات حمل شده توسط رودخانه ها، در مديريت منابع آب از اهميت بسياري برخوردار است. بنابراين شناسايي و پيشنهاد مدلهاي مناسب جهت برآورد رسوب معلق از اهداف مهم تلقي ميشود كه استفاده از روش نوين مدلهاي هوشمند از جمله شبكه عصبي مصنوعي و رگرسيون بردار پشتيبان در اين زمينه تحول عظيمي وجود آورده است. يك گام مهم در مدلسازي رسوب معلق با استفاده از اين مدلها، انتخاب وروديهاي مناسب ميباشد، زيرا ساختار و نتايج مدل را تحت تاثير قرار ميدهند. با توجه به اينكه در اكثر مطالعات در زمينه برآورد رسوب معلق با استفاده از مدلهاي داده محور، تنها از متغيرهاي اقليمي و هيدرولوژيكي به عنوان متغيرهاي تخمينگر استفاده گرديده است. بنابراين پژوهش حاضر به منظور تعيين متغيرهاي ژئومورفولوژيكي اثرگذار و قابل دسترس در تخمين رسوب معلق در حوضه آبخيز تمر طراحي گرديد. براي دستيابي به اين هدف، نقش شاخص اتصال رسوبي به عنوان يك ورودي هيدروژئومورفيك علاوه بر وروديهاي هيدرولوژيكي با استفاده از مدلهاي مذكور در تخمين رسوب معلق مورد ارزيابي قرار گرفت. مقايسه نتايج الگوهاي ورودي مختلف نشان داد كه شاخص اتصال رسوبي به همراه متغيرهاي هيدرولوژيكي كارايي مدلها را بهبود ميدهد و اين بهبود به صورت كاهش (9/63% و 26/36%) در مجذور ميانگين مربعات خطا و افزايش قابل توجه (25/80% و 21/85%) در ضريب كارايي ناش_ساتكليف و (13/20% و 45/94%) در ضريب تبيين به ترتيب در مدلهاي شبكه عصبي مصنوعي و رگرسيون بردار پشتيبان ميباشد. نتايج اين پژوهش با توجه به برآورد دقيقتر رسوب معلق در طراحي و مديريت منابع آب با ارزش ميباشد.

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.