ارزيابي برآورد رسوب با استفاده از روش‌هاي منحني سنجه و شبكه عصبي با تلفيق پارامترهاي مورفولوژيكي حوزه (مطالعه موردي حوزه باغ عباس)

Evaluation of Sediments Using Rating Curve and Artificial Neural Network Methods by Combining Morphological Parameters of Basin (Case Study: Bagh Abbas Basin)

از آنجا كه توسعه برنامه هاي مهار آب هاي سطحي ملزم به دستيابي دقيق رفتارهاي جريان و ميزان رسوبات آن مي باشد لذا كمبود ايستگاه هاي اندازه گيري رسوب و فقدان آمار كامل رسوب، از جمله دلايل ارزيابي صحيح در شبيه سازي رفتار جريان ها و رسوبات آنهاست. از جمله مواردي كه در يك حوزه آبخيز از هم تأثير مي پذيرند خصوصيات مورفولوژيكي حوزه و بار رسوبي جريان هاي آن مي باشد. لذا آگاهي از ميزان اين ارتباط به منظور مديريت و ساماندهي جريان در پايين دست حوزه حائز اهميت مي باشد. در تحقيق حاضر با استفاده از شبكه عصبي مصنوعي و روش هاي رگرسيوني سنجه رسوب براساس داده هاي 136 واقعه دبي جريان و رسوب متناظر آن و همچنين پارامترهاي مورفولوژيكي به پيش بيني بار رسوبي حوزه باغ عباس اقدام گرديده است. بدين منظور در گام نخست براي پيش بيني بار رسوب از دو روش مذكور، فقط از داده هاي جريان استفاده گرديده و در گام بعدي خصوصيات مورفولوژيكي حوزه از قبيل ضريب شكل و ضريب فشردگي حوزه به مدل ها اضافه شده است. نتايج به دست آمده از اين تحقيق نشان مي دهد كه با به كارگيري شبكه عصبي از نوع پرسپترون چندلايه (MLP) با الگوريتم لونبرگ ماركوارت و تابع تحريك از نوع تانژانت سيگمويد با دو لايه مخفي و 4 نرون در هر لايه، مي توان با دقت مناسبي ميزان دبي بار معلق رسوب را برآورد نمود. همچنين دقت نتايج به دست آمده از روش شبكه عصبي مصنوعي به مراتب از دقت روش منحني سنجه بالاتر مي باشد. در ارزيابي روش هاي شبكه NGANN, GANN و رگرسيونيSRC, MARS ، به ترتيب ميزان ضريب همبستگي 94/0، 93/0، 767/0 و 766/0 و مجذور ميانگين مربعات خطا (RMSE) به ترتيب 45/0، 49/0، 3/2 و 3/2 و ضريب نش ساتكليف (NS) به ترتيب 71/0، 58/0، 27/0 و 23/0 محاسبه گرديد. بنابراين كاراترين روش از بين مدل هاي چهارگانه مذكور، شبكه عصبي مصنوعي همراه با داده هاي مورفولوژيكي حوزه (GANN) مي باشد. ضمناً براساس يافته هاي تحقيق اضافه نمودن پارامترهاي ژئومورفولوژيكي در روش سنجه رسوب تأثير چنداني بر روي كارايي اين مدل ندارد.

Since the development of surface water control needs accurate access to flow behavior of sediment rates, the lack of sediment measurement stations, the novelty of most stations and the lack of statistics on the deposit make it difficult to properly evaluate and simulate the flow behavior and their sediments. In a watershed, the morphological characteristics and sediment load of flow affect each other. It is, thus, important to know about the extent of this relationship to manage and control the flow in downstream areas. In the present study, using artificial neural networks and sediment rating regression methods based on the data from 136 events and also morphological parameters, we have attempted to predict the sediment load of Bagh Abbas basin. In the first step, we used flow data to predict the sediment load of both methods, and then basin morphological characteristics such as the compactness factor and form factor were added to the models. The results of this study showed that by using neural networks of Multilayer Perceptron (MLP) type with Levenberg ndash Marquardt algorithm and the stimulation function of tangent Sigmoid with two hidden layers and four neurons in each layer, we can predict suspended sediment discharge rate with a sufficient accuracy. Accuracy of the results obtained from the ANN method was higher than the accuracy of rating curve method. In the evaluation of NGANN GANN network methods and SRC MARS regression methods, correlation coefficients were respectively calculated as 0.94, 0.93, 0.767, 0.766, and root mean square errors (RMSE), 0.45, 0.49, 2.3 and 2.3. Nash coefficient (NS) was calculated respectively as 0.71, 0.58, 0.27 and 0.23. Therefore, the most efficient method among the four models is artificial neural network combined with morphological data (GANN). Furthermore, the findings of the study show that adding geomorphological parameters to sediment rating has little effect on the model performance.