شبيه سازي رسوب معلق رودخانه هاي كشور با استفاده از فناوري تلفيق مدل هاي هوشمند و سامانه مكاني متن باز، مطالعه موردي: ايستگاه هيدرومتري رازين، حوزه آبخيز رودخانه مزلقان در استان مركزي

Simulation of the suspended sediment of the country rivers using the technology of intelligent models and open source GIS system, case study: Razin Hydrometric Station, Mozlanghan Watershed, Markazi Province

روابط بين پارامترهاي كيفي آب رودخانه و فرايندهاي فيزيكي، ژيوشيميايي و بيولوژيكي انجام شده بين منابع حوضه (خاك، پوشش گياهي، زمين شناسي، كاربري اراضي و غيره)، متغيرهاي هواشناسي (دما، بارش، ذوب برف و غيره)، متغير هيدرولوژيكي رودخانه (دبي) و همچنين دخالت هاي انساني، اغلب بسيار پيچيده، غير قطعي و غيرخطي بوده به نحوي كه درك كامل آن ها را غيرممكن مي سازد. در اين شرايط، استفاده از هوش محاسباتي (نظير شبكه هاي عصبي مصنوعي) ابزار مناسبي در شبيه سازي و برآورد متغيرهاي كيفي آب رودخانه نظير بار رسوب معلق محسوب مي شود. در پژوهش حاضر، با تلفيق كتابخانه هاي متن باز GIS و مدل هاي شبكه عصبي مصنوعي (با ناظر و بدون ناظر)، سامانه مكاني هوشمندي، طراحي و كدنويسي شده است كه مي تواند در شرايط تك متغيره يا چند متغيره، رسوب معلق روزانه را برآورد كند. نتايج گرفته شده از به كارگيري اين سامانه در حوزه آبخيز رودخانه مزلقان در محل ايستگاه هيدرومتري رازين نشان داد كه اين سامانه قادر است با كارايي و صحت سنجي مناسب (با ريشه ميانگين مربعات خطا برابر 1033 تن در روز، ميانگين قدر مطلق خطا 455 تن در روز و شاخص نش-ساتكليف برابر 0/89 با داده هاي آزمون)، رسوب معلق ايستگاه مورد مطالعه را شبيه سازي كند. در مجموع، اين سامانه مي تواند به عنوان يك زير ساخت نرم افزاري در مقياس ملي، در شبيه سازي و مديريت رسوب معلق كليه ايستگاه هاي هيدرومتري كشور مورد استفاده سازمان هاي ذي ربط قرار گيرد.

Relationships between river water quality parameters and physical, geochemical and biological processes carried between basin resources (soil, vegetation, geology, land use, etc.), meteorological variables (temperature, precipitation, snowmelt, etc.), River hydrological variables (flow discharge), as well as human interventions are often very complex, nonlinear and non–deterministic in a way that makes their complete understanding impossible. In this situation, the use of computational intelligence (such as artificial neural networks) is a useful tool in simulating and estimating river water quality variables such as suspended sediment load. In the present study, by combining open source GIS libraries and neural network models (with and without supervisor), an intelligent GIS system has been designed and coded that can estimate daily suspended sediment load under univariate or multivariate conditions. The results of applying this system to Mazaljan River Watershed at Razin hydrometric station showed that this system is able to simulate suspended sediment load with proper performance and validation (with root mean square error of 1033 tonday-1, mean absolute error of 455 tonday-1 and Nash-Sutcliffe efficiency of 0.89 for the test data set). In general, this system can be used as a national infrastructure in the simulation and management of suspended sediment in all hydrometric stations in the country by relevant organizations.