بهينه يابي برآورد ميزان رسوب معلق در مناطق خشك مطالعه موردي: حوضه فخرآباد مهريز (يزد)

Determination of the Optimal Method to Estimate the Suspended Sediment Load in Arid Regions (Case Study:Fakhrabad basin in Mehriz -Yazd)

فرسايش خاك، بي شك يكي از مهمترين مسائل و مشكلات موجود در عرصه هاي طبيعي كشور است و آثار مخربي در اكوسيستم هاي مختلف به جاي مي گذارد. با توجه به اينكه محاسبه مقادير رسوب از طريق ايستگاههاي رسوب سنجي و اندازه گيري هاي مستقيم فرسايش فرايندي هزينه بر و مشكل است، يافتن روشهايي براي برآورد دقيق ميزان رسوب دهي حوضه هاي آبخير به ويژه در مناطق خشك و فراخشك به دليل شرايط حساس اكولوژيكي ضروري مي نمايد. يكي از روش هايي كه تا به امروز در اين مناطق نسبت به ساير روشهاي برآورد رسوب بيشتر مورد استفاده قرار گرفته است روش هاي رگرسيوني سنجه رسوب مي باشد. لذا در اين تحقيق مقادير رسوب مشاهداتي 48 واقعه (دبي و رسوب متناظر) در يك دوره 23 ساله حوضه فخر آباد- مهريز با مقادير بر آوردي از روش هاي سنجه چند خطي، حد وسط دسته ها، منحني سنجه حد وسط دسته ها با ضريب اصلاحي SMEARING, QMLE و ضريب اصلاحي FA0 و همچنين با نتايج حاصل از روش شبكه عصبي مصنوعي (ANN) مورد مقايسه قرار گرفته و صحت هر يك از اين روش ها مورد آزمون قرار گرفت. بررسي حاصل از آزمون هاي مجذور ميانگين مربع خطاها ( RMSE)، ضريب تبيين (R2 و معيار ناش (ME) كارايي بالاتر روش شبكه عصبي (ANN) را نسبت به ساير روش هاي مذكور نشان دادند. نتايج آزمون هاي مذكور براي روش شبكه عصبي مصنوعي به عنوان روش بهينه به ترتيب 203/3، 0/86 و0/66 را نشان دادند. نتايج حاصل مبين اين است كه در استفاده از هر روشي براي برآورد رسوب معلق جريان در مناطق خشك و فراخشك به دليل ماهيت داده هاي مشاهداتي و همچنين رژيم خاص جريانها كه اغلب به صورت موقت و فصلي مي باشند بايد جانب احتياط را رعايت نمود. در عين حال بررسي نتايج اين تحقيق گوياي انعطاف پذيري بالاتر مدل هاي شبكه عصبي مصنوعي است كه آنها را به ابزار مناسبي جهت مدل سازي در شرايطي كه با فقر داده مواجه هستيم مبدل مي سازد.

Soil erosion is undoubtedly one of the most important problems in natural areas of Iran and has destructive effects on different ecosystems. Considering that calculation of the sediment rate in sediment stations and direct measurements of erosion process is costly and difficult, it is critical to find ways to accurately estimate the amount of sediment yield in catchments especially in arid and hyper arid areas because of their high ecological sensitivity. One of the most commonly used methods in these areas is the sediment rating regression method. Therefore, in this study sediment observed data for 48 events (the corresponding discharge and sediment) in a 23-year period from Fkhrabad basin (Mehriz) were compared to the estimated data obtained from Multi-line rating method, extent middle class, middle class rating curve with correction factor QMLE, SMEARING correction coefficient FAO and Artificial Neural networks (ANNs). Finally, the accuracy of these methods were assessed using different evaluation criteria such as Root Mean Square Error (RMSE), coefficient of determination (R2) and the standard Nash (ME). Results showed that ANN outperformed the other methods with the RMSE, R2 and ME of 203.3, 0.86 and 0.66, respectively. The results suggest that these methods should be used cautiously in estimating the suspended sediment load in arid and hyper arid regions due to the nature of the observed data and temporal and seasonal flow systems in these regions. It was also indicated that the artificial neural network models have higher flexibility than other methods which makes them to be useful tools for modeling in poor data conditions.