پيش‌بيني بار معلق رودخانه‌ها بر مبناي دبي جريان با استفاده از برنامه‌ريزي ژنتيك

Suspended sediment load prediction based on river discharge and genetic programming method

پيش‌بيني دقيق پارامترهاي موثر در طرح‌هاي منابع آب، يكي از مهمترين مباحث تحقيقي مهندسان آب مي‌باشد. از جمله اين پارامتر‌ها حجم رسوبات معلق رودخانه‌ها است كه بدليل اثرات منفي آن بر روي شاخص‌هاي كيفي آب، تقليل گنجايش مخازن و تغيير در مورفولوژي رودخانه‌ها از اهميت ويژه‌اي برخوردار است. در حقيقت حصول روش‌هاي مناسب و دقيق در پيش‌بيني بار رسوبي رودخانه‌ها را مي‌توان به عنوان يكي از مهمترين چالش‌ها در فرايند فرسايش و رسوبگذاري دانست. اگر چه در دهه اخير تحقيقات متنوعي در خصوص كاربرد مدل هاي هيدرولوژيكي (جعبه سياه) متكي بر شبكه‌هاي عصبي ‌مصنوعي (ANN)1 و برتري دقت اين مدل‌ها بر روابط تجربي همچون منحني سنجه رسوب ارايه شده است ولي به دليل غير صريح بودن اين مدل‌ها استفاده از آنها در عمل به طور مناسب توسعه نيافته است. لذا هنوز توسعه يك مدل صريح ميان رابطه دبي جريان و بار رسوبي ضروري مي‌باشد. در تحقيق حاضر روش صريح برنامه‌ريزي ژنتيك (GP)2 براي پيش‌بيني بار معلق رودخانه‌ها ارايه شده و دقت نتايج حاصله با روش شبكه عصبي مصنوعي مورد مقايسه قرار گرفته است. پيش‌بيني‌ها با استفاده از دبي جريان و رسوب معلق روزانه رودخانه ليقوان چاي واقع در حوزه آبگير درياچه اروميه، براي مدل‌سازي و تاييد برنامه‌ريزي ژنتيك پيشنهادي بكار گرفته شده است. نتايج حاصل، حاكي از دقت بالاي برنامه‌ريزي ژنتيك در مقايسه با شبكه عصبي مصنوعي و كارايي آن در پيش‌بيني بار معلق رودخانه‌ها مي‌باشد.

The correct prediction of effective factors in water resource projects is one of the most important problems of water recourse engineers. Suspended sediment volume carried by rivers is one of these important factors due to its negative issues in water quality, reservoirs capacity and river morphology. In fact deriving a proper method for sediment volume estimation can be one of the most important problems in erosion and sedimentation process. Although During recent decades, some black box models based on artificial neural networks (ANN), have been developed to overcome this problem and those accuracy privilege to empirical relations such as sediment rating curves have been shown, But these type of models are implicit that can not be simply used by other investigators. Therefore it is still necessary to develop an explicit model for the discharge–sediment relationship. It is aimed in this study, to develop an explicit model based on genetic programming (GP). Explicit models obtained using the GP are compared with artificial neural network technique in suspended sediment load estimation. The daily stream flow and suspended sediment data from one station on Lighvan River in Orumieh lake basin are used as a case study. The results indicate that the proposed GP method performs quite well compared to artificial neural network models and is quite practical for use.