كاربرد الگوريتم درختي M5 در برآورد رسوب معلق رودخانه‏ها

Application of M5 Model for Rivers Suspended Sediment Evaluation

برآورد ميزان بار رسوب در بسياري از پروژه‏هاي آبي از قبيل طراحي سدها و حوضچههاي ذخيره آب سطحي، انتقال رسوب و آلودگي در رودخانه‏ها و درياچهها و نيز طراحي كانال‏ها و نگهداري آن‌ها اهميت زيادي دارد. روش هاي متداول برآورد بار رسوب عمدتا دقت پاييني داشته و نتايج روش هاي مختلف تفاوت زيادي با يكديگر دارد. بر همين اساس در اين تحقيق پس از تهيه داده‏هاي دبي رسوب مربوط به ايستگاه هاي هيدرومتري جوكنك، بهبهان، شادگان، مشراگه و چم‏ نظام، از الگوريتم درختي M5 كه يكي از مدل هاي نوين داده كاوي به حساب مي آيد، جهت محاسبه بار معلق استفاده گرديد. الگوريتم درختي M5 فضاي مساله را به شاخه‏هاي متعدد تقسيم‏ كرده و معادلاتي را جهت تخمين بار معلق رسوب در شاخه‏هاي مختلف ارايه مي‏دهد. دبي جريان يك روز قبل و دبي همان روز به عنوان پارامترهاي ورودي و دبي بار معلق رسوب نيز به عنوان پارامتر خروجي جهت ساخت و صحت‌سنجي مدل در نظر گرفته شد. آناليزهاي مختلف آماري بر روي معادلات ارايه شده توسط الگوريتم M5 نشان دهنده دقت بهتر مدل درختي در مقايسه با منحني سنجه مي باشد. در ايستگاه هاي مورد بررسي مقدار RMSE مدل درختي با توجه به داده-هاي آموزش و صحت‌سنجي 59/0 محاسبه گرديد در حالي‌كه در مورد منحني سنجه اين مقدار 74/0 به دست آمد. بر اساس نتايج اين تحقيق مدل M5 علاوه بر اينكه مي‏تواند ميزان رسوب معلق را با دقت بالايي برآورد كند داراي ساختار ساده و قابل فهم بوده و از نتايج آن مي‏توان جهت مسايل كاربردي سود جست.

Estimation of the suspended sediment load plays a very important role in water projects such as dam and surface water storage design, pollution and sediment transport in rivers and lakes, as well as design and maintenance the channels. The accuracy of conventional methods of sediment estimation, usually low and there are a big difference between their results. Therefore, in this study after preparing sediment and flow discharge data of hydrometric stations; Jow Kanak, Behbahan, Shadegan, Moshrageh and Cham Nezam, the M5 algorithm, has been used to determine the suspended sediment load. M5 tree algorithm is one of the newest data-driven models which divides the problem space into multiple branches and proposes equations for each branches. Flow discharge of each day and the day before have been used as an input variables and sediment discharge has been considered as an output variable to build and validate the tree model. Statistical analysis on tree model showed better compliance of tree model results with observed data in compare with sediment rating curve method. RMSE for training and validation phases at studied stations were 0.59 and 0.74 for M5 and rating curve methods, respectively. The results of this study showed that suspended sediment load could be accurately predicted using M5 tree algorithm. The results of this model, in addition to have an understandable and simple structure, could be used in practical issues as well.