شبيه‌سازي بار رسوب معلق با استفاده از روش‌هاي شبكه عصبي مصنوعي، عصبي - فازي و منحني سنجه رسوب در حوزه آبخيز هليل‌رود

The suspended sediment load modeling by artificial neural networks, neural-fuzzy and rating curve in Hlilrood watershed

در كشورهاي در حال توسعه، به‌علت مشكلات مالي و فني به‌طور معمول داده‌­هاي رسوب اندكي اندازه‌گيري مي­‌شوند، لذا، مدلي كه بتواند با استفاده از داده­‌هاي دبي آب، ميزان بار رسوبي را برآورد كند، مي­تواند گزينه قابل اطميناني باشد. با توجه به كاربرد انواع مدل­‌ها در پيش‌­بيني رسوب، اين تحقيق با هدف ارائه مدل بهينه­ ­برآورد ميزان رسوب معلق بر اساس دبي جريان بر روي ايستگاه­‌هاي هيدرومتري بالادست رودخانه هليل­‌رود شامل ايستگاه­‌هاي هيدرومتري پل بافت، سلطاني، هنجان، چشمه عروس، ميدان و كناروئيه انجام شد. در اين راستا، كارايي انواع مدل­‌هاي مختلف منحني سنجه رسوب شامل مدل­‌هاي يك خطي، دو خطي، روش حد وسط دسته‌­ها به تنهايي و نيز با ضرايب اصلاحي CF1،CF2 و FAO و مدل‌­هاي جعبه سياه شامل شبكه عصبي مصنوعي و سامانه استنتاج عصبي-فازي در شبيه‌سازي رسوب معلق مورد ارزيابي قرار گرفتند. نتايج حاصل از ارزيابي اين مدل‌­ها با استفاده از پارامترهاي ارزيابي MAE و RMSE با استفاده از داده­‌هاي آزمون، حاكي از آن است كه مدل­‌هاي عصبي-فازي در عمده ايستگاه­‌هاي هيدرومتري مورد مطالعه، شامل پل بافت، هنجان و كناروئيه با ميزان MAE برابر 35.07، 11958.74 و 34235.27 و RMSE به‌ترتيب برابر 42.07، 28672.78 و 52735.92 تن در روز به‌عنوان بهترين روش براي شبيه‌­سازي ميزان بار رسوب معلق به‌شمار مي‌آيند. همچنين، مدل شبكه عصبي مصنوعي تابع پايه شعاعي در ايستگاه هيدرومتري ميدان با ميزان MAE برابر 384.83 و RMSE برابر 669 تن در روز، روش منحني سنجه رسوب دو خطي در ايستگاه چشمه عروس با ميزان MAE و RMSE به‌ترتيب 1.7 و 4.1 تن در روز و روش منحني سنجه يك خطي با اعمال ضريب اصلاحي CF1 با MAE و RMSE برابر 9723.2 و 41235.6 تن در روز در ايستگاه هيدرومتري سلطاني به‌عنوان بهترين مد‌ل­‌ها براي شبيه‌سازي ميزان رسوب معلق مي‌­باشند.

With regard to financial and technical problems normally measured sediment data are limited in developing countries; therefore a model that uses water discharge data as input can be a reliable option for estimates of sediment. Due to widely application of the variety of models to predict the suspended sediment, this study aims to determine optimal prediction model based on the amount of discharge flow gauging stations of Halilrood River including, Soltani, Henjan, Cheshmeh Aroos, Meydan and Konaruiyeh. In this regard, efficiency of some rating curves models including one-linear, two-linear and the intermediate categories ones (by and without coefficients as CF1, CF2 and FAO) and black box models including artificial neural networks and neural-fuzzy in modeling sediment were evaluated. The results of the evaluation of the model using the parameters of MAE and RMSE showed that neuro-fuzzy models in major hydrometric stations studied, including Pole Baft, Henjan and Konaruiyeh with an equivalent amounts of 35.07, 11958.74 and 34235.27 ton/day for MAE and 42.07, 28672.78 and 52735.92 ton/day for RMSE, respectively are the best models to simulate the suspended sediment. The artificial neural network model of radial basis function in Meydan with 384.83 ton/day MAE and 669 ton/day RMSE amounts is the optimal model. Also two-linear sediment rating curve resulted the best simulation in Cheshmeh Aroos Station with MAE and RMSE as 1.7 and 4.1 ton/day and one-linear sediment rating curve with CF1 correction in Soltani Station with MAE and RMSE 9723.2 and 41235.6 ton/day, respectively are the best. According to changes of efficiency of models with varying location of gauging stations, it can be concluded that ecological conditions and statistical community determine the optimal model of the suspended sediment simulation.