بهينه‌سازي مدل‌هاي برآورد بار معلق به كمك پارامترهاي زمين ريخت‌شناسي و تكنيك كاهش ويژگي

Optimization suspended load estimation models by using geo-morphometric parameters and attribute reduction technique

برآورد بار رسوبي رودخانه‌ها از مهم‌ترين چالش‌هاي مهندسي رودخانه محسوب مي‌شود. به همين دليل تاكنون مدل‌هاي مختلفي با ساختارهاي گوناگون جهت برآورد بار رسوبي ارائه گرديده است. در اين مطالعه به بررسي كارايي پارامترهاي ژئومورفومتري و تكنيك‌هاي داده‌كاوي به‌منظور پيش‌بيني بار رسوب معلق در 68 حوزه واقع در دو منطقه‌ي متفاوت از ايران پرداخته‌ شده است. به همين منظور شش مدل شبكه عصبي مصنوعي، رگرسيون خطي، K نزديك‌ترين همسايه، فرآيند گوسي، ماشين بردار پشتيبان و ماشين بردار پشتيبان تكاملي بر روي دو نوع از داده‌هاي بار رسوب معلق (رسوب حداقل و متوسط) اجرا گرديد. با هدف بهينه‌سازي مدل‌ها از پارامترهاي ژئومورفومتري و دبي رودخانه به‌عنوان داده‌هاي ورودي‌ به مدل و از تكنيك كاهش ويژگي به‌منظور كاهش حجم فضاي الگوريتم‌ها استفاده شد. نتايج ارزيابي مدل‌ها نشان داد كه عملكرد مدل‌ها در داده‌هاي رسوب متوسط و حداقل متفاوت مي‌باشد، به‌طوري‌كه بهترين روش جهت پيش‌بيني رسوب متوسط رودخانه مدل فرآيند گوسي با ضريب همبستگي 0/988 و ميانگين مجذور مربعات 11/004 بوده و مناسب‌ترين روش پيش‌بيني رسوب حداقل مدل ماشين بردار تكاملي با ضريب همبستگي 0/996 و ميانگين مجذور مربعات 0/171 مي‌باشد.

Estimation sediment load of rivers is the most important challenges in river engineering. So, it was addressed different models by varying structures to estimate sediment load. In this study, it was reviewed effectiveness of geo-morphometric parameters and data mining technique to predict suspended sediment load in 68 basins in two different regions of Iran. For this reason, it was run six artificial neural networks models, linear regression, K-nearest neighbor, Gaussian process, support vector machine evolutionary on two types of suspended sediment data (i.e. maximum and average sediment). To optimize models, it was used geo-morphometric parameters and river discharge as input data into model and it was used attribute reduction technique to decrease the algorithms space. Results of models evaluation indicated that models performance is difference in average and minimum sediment data, so that the best method to predict average sediment is the Gaussian model by correlation coefficient, 0.988 and root mean squared, 11.004 and the best method to predict minimum sediment is support vector machine evolutionary model by correlation coefficient, 0.966 and root mean squared, 0.171.