برآورد غلظت رسوب معلق روزانه با استفاده از شبكه عصبي مصنوعي و خوشه‌بندي داده‌ها به روش نگاشت خود سازمان‌ده (مطالعه موردي: ايستگاه هيدرومتري سيرا - رودخانه كرج)

(Estimation of Daily Suspended Sediment Concentration Using Artificial Neural Networks and Data Clustering by Self-Organizing Map (Case Study: Sierra Hydrometry Station- Karaj Dam Watershed)

امروزه برآورد دقيق بار رسوب معلق رودخانه‌اي از جنبه‌هاي مختلف مهندسي منابع آب، مسايل زيست محيطي و كيفيت آب از اهميت ويژه‌اي برخوردار است. در اين راستا، مدل‌هاي هيدرولوژيكي حوزه، به دليل عوامل متعدد تاثيرگذار ثابت و متغير، كارايي مناسبي در برآورد ميزان رسوب معلق از خود نشان نداده‌اند. همچنين اغلب مطالعات شبيه‌سازي برآورد رسوب معلق، تنها بر مبناي دبي جريان خروجي حوزه استوار است كه نتايج حاصله نيز، گواه بر عدم كارآيي مطلوب آنها است. اين در حالي است كه عوامل تاثيرگذاري همچون نوع بارش، فصل سال و شكل هيدروگراف جريان كه نقش عمده‌اي در اين فرآيند ايفا مي‌نمايند در شبيه‌سازي برآورد ميزان رسوب معلق ناديده گرفته شده‌اند. در پژوهش حاضر، از روش شبكه عصبي پرسپترون چند لايه و داده‌هاي آب و هواشناسي (دبي و غلظت رسوب معلق روزانه جريان، متوسط بارش و دماي روزانه) حوزه آبخيز سد كرج در يك دوره زماني 30 ساله (1360 تا 1390) به منظور برآورد غلظت رسوب معلق روزانه ايستگاه هيدرومتري سيرا استفاده شده است. در اين روش، با توجه به نقش تغييرات فصلي و وضعيت جريان در توليد و انتقال رسوب حوزه، ابتدا بر اساس سه متغير رژيم بارش، وضعيت هيدروگراف جريان و نوع رواناب حاصل از بارش، داده‌هاي مورد استفاده به 5 گروه تفكيك و سپس براي هر گروه، مدل جداگانه‌اي طراحي گرديد. همچنين به‌منظور افزايش قدرت تعميم‌دهي مدل‌ها، از شبكه عصبي نگاشت خود سازمان‌ده (SOM) جهت خوشه‌بندي و از شاخص سيلهوت، در تعيين تعداد بهينه خوشه‌ها استفاده شد. نتايج پژوهش نشان داد كه استفاده از متغيرهاي بارش و دماي روزانه، به‌همراه دبي جريان و تفكيك زماني داده‌ها، نقش مهمي در افزايش دقت برآورد رسوب رودخانه داشته است. در اين رابطه، بيشترين خطاي محاسبه شده در بين مدل‌ها زماني است كه براي تمامي فصول سال، تنها از يك مدل واحد، جهت برازش به داده‌ها استفاده مي‌گردد. نتايج اين پژوهش مي‌تواند به عنوان الگويي مناسب در برآورد رسوب معلق ساير رودخانه‌هاي كشور مورد استفاده قرار گيرد.

Nowadays, the accurate estimation of rivers suspended sediment load (SSL), from various aspects, such as water resources engineering, environmental issues, water quality and so on is important. In this regard, because of various roles of fixed and dynamic variables of watersheds, the watershed hydrological models have not showen a proper efficiency in statimation of SSL. Also, the most SSL studies are based on only flow discharge variable whereas the results of the present study have proved that the efficiency of these modeles is very poor. On the other hands, the parameters such as rainfall type, year seasons and flow hydrograph shape have important role in watershed sediment yield that were ignored in the most SSL simulations. In the present study, multi layers perceptron neural network and hydro-meteorological data (daily flow discharge, suspended sediment concentration, daily rainfall and temperature) of Karaj dam watershed in a 30-year period (1981 to 2011) were used to estimate daily suspended sediment concentration of Sierra station. Due to the role of seasonal changes and flow conditions in sediment yield and sediment transport of the watershed, based on rainfall regime, hydrograph condition and runoff type, the data used in this study were first seperated into 5 groups and then for each group, a separate model was designed. In order to increase the generalization ability of the neural network models, self-organizing map (SOM) and Silhouette coefficient were used for data clustering and determination of the optimal number of clusters respectively. The research results showed that the use of daily precipitation and temperature variables along with flow discharge and data separating based on watershed time and hydro climatic conditions has had an important role in increasing the accurate estimation of the river sediment. In this regard, among the models, the maximum calculated error is when only a single model is used for all year seasons. The results of this study can be used as a proper model for estimation of suspended sediment load of other country rivers.