-251554-1201

4728877-351721

نشریه حفاظت منابع آب و خاك، سال ششم، شماره اول، پاییز 1395

ارزیابی عملکرد روش هاي مدل درختی 5M و رگرسیون بردار پشتیبان در مدل سازي رسوب معلق رودخانه

محمدتقی ستاري1، علی رضازاده جودي2*، فروغ صفدري3 و فراز قهرمانزاده4

1) استادیار گروه مهندسی آب، دانشکده کشاورزي، دانشگاه تبریز، تبریز، ایران
2*) باشگاه پژوهشگران جوان و نخبگان، واحد مراغه، دانشگاه آزاد اسلامی، مراغه، ایران
*نویسنده مسئول مکاتبات: alijoudi66@gmail.com
دانش آموخته کارشناسی ارشد منابع آب، دانشکده کشاورزي، دانشگاه تبریز ،تبریز، ایران
دانش آموخته کارشناسی ارشد عمران – آب، دانشگاه آزاد اسلامی واحد اهر، اهر، ایران
16686854357

تاریخ دریافت: 16/12/1394 تاریخ پذیرش: 08/03/1395

چکیده
همواره پدیده انتقال رسوب، بسیاري از سازه هاي رودخانه اي و سازه هاي عمرانی را تحت تأثیر قرار داده و عدم اطلاع از میزان دقیق آن خسارات بسیاري را موجب می شود. از این جهت برآورد صحیح بار رسوبی در رودخانه ها از نقطه نظر رسوب، فرسایش و کنترل سیلاب بسیار حایز اهمیت است. در این تحقیق، از دو روش نوین داده کاوي شامل مدل درختی 5M و رگرسیون بردار پشتیبان براي برآورد بار رسوبی معلق رودخانه اهرچاي در مقایسه با روش کلاسیک منحنی سنجه رسوب استفاده گردید. جهت ارزیابی عملکرد روش هاي استفاده شده از سه آماره شامل ضریب همبستگی، جذر میانگین مربعات خطا و میانگین خطاي مطلق استفاده گردید. با انجام تحلیل حساسیت مدل ها به متغیر ورودي مشخص گردید، متغیر دبی جریان در ماه جاري داراي بیش ترین تأثیر بر روي میزان بار رسوبی معلق می باشد. در حالت کلی نتایج بدست آمده بیانگر دقت بسیار بالاي روش هاي داده کاوي نسبت به منحنی سنجه رسوب می باشد. اگرچه هر دو روش داده کاوي بررسی شده دقت بیش تر و خطاي کم تري نسبت به روش متداول منحنی سنجه رسوب داشته اند، اما با توجه به روابط خطی ساده و قابل فهم ارائه شده توسط مدل درختی 5M، کاربرد این روش کارآمد در موارد مشابه توصیه می گردد.

کلید واژه ها: اهرچاي؛ تخمین بار رسوبی؛ داده کاوي؛ مدل درختی 5M؛ رگرسیون ماشین بردار پشتیبان

مقدمه
66939408377851

سال

ششم

/

شماره

1
/

پاییز

سال

ششم

/

شماره

1

/

پاییز

در ایران اطلاع دقیقی از میزان فرسایش، انتقال رسوب و رسوب گذاري وجود نداشته و در بسیاري از موارد، بین اندازه گیري ها و برآوردهاي انجام شده نیز اختلاف زیادي مشاهده می شود. این در حالیست که رودخانه ها همواره با پدیده فرسایش و انتقال رسوب مواجه می باشند. انتقال رسوب و رسوب گذاري، پی آمدهایی چون، کاهش ظرفیت انتقال جریانهاي سیلابی، کاهش عمر مفید سدها و ظرفیت ذخیره مخازن، خوردگی تاسیسات سازه هاي رودخانه اي و وارد شدن خسارات به ابنیه آبی و مزارع ،رسوب گذاري در کف کانال و بسیاري مسایل و مشکلات دیگر را در بردارد. طراحی بهینه و عملکرد مناسب سازه هاي آبی، نظیر مخازن، سدها و کانال ها، نیازمند تخمین دقیق از بار رسوبی رودخانه می باشد. با توجه به اینکه رژیم جریان و به تبع آن رژیم رسوب در حوضههاي آبریز ثابت نیست، لذا همچنانکه با پیشبینی جریان می-توان نسبت به مدیریت بهتر تقاضا در ماههاي آتی اقدام نمود، پیشبینی دبی رسوب نیز میتواند کمک شایانی در پیشبینی رسوب تجمع یافته پشت سازه هاي آبی و به ویژه سدها و تعیین حجم مرده مخازن در ماههاي آتی نموده و با اتخاذ تمهیدات به موقع، مدیریت تخلیه بههنگام رسوب را تاحدي تسهیل نماید. با توجه به اهمیت موضوع همواره تحقیقات زیادي در مورد تخمین و مدل سازي بار رسوبی رودخانه ها صورت پذیرفته و روش ها و روابط گوناگونی معرفی گردیده است. بار معلق رسوبی رودخانه ها معمولاً از طریق اندازه گیري مستقیم یا معادلات تجربی تعیین می شود. گرچه اندازه گیري مستقیم از درجه اعتبار زیادي برخوردار است، ولی بسیار هزینه بر بوده و نمی تواند براي سطح وسیعی از رودخانه مورد استفاده قرار گیرد. با این حال، اکثر معادلات برآورد کننده بار معلق رسوبی، نیازمند داده هاي دبی و رسوب حاصل از اندازه گیري ها می باشند (2001Ozturk et al., ). یکی از روش هاي متداول محاسبه بار معلق رودخانه استفاده از منحنی سنجه رسوب1 است .
این رابطه به دلیل داشتن اریب2 در بیشتر مواقع نتوانسته غلظت رسوب در دبی هاي مختلف جریان را به خوبی نشان دهد، اریب در واقع باعث شده تا مقدار باقی مانده ها (اختلاف بین مقادیر مشاهده اي و محاسباتی) توزیع نرمالی نداشته باشد( 200Kao et al., ). در این میان می توان از روش هاي نوین داده کاوي که مبتنی بر روابط حاکم در میان داده ها بوده و بدنبال کشف الگوهاي پنهان بین دادهها هستند و از قدرت انعطاف پذیري بالایی نیز برخوردار می باشند، استفاده نمود.
حسین زاده دلیر و همکاران( 1388) رسوب معلق رودخانه اهرچاي را توسط روش شبکه عصبی مصنوعی پیش بینی کردند. نتایج نشان داد دادههاي سطح آب نسبت به دبی جریان از دقـت کمتـري در پـیش بینی بار معلق برخوردار میباشد. داننده مهر و همکاران( 1389) بار معلق رودخانه لیقوان چاي را با استفاده از برنامه ریزي ژنتیک پیش بینی کردند. نتایج نشان داد که برنامه ریزي ژنتیک در مقایسه با روش شبکه عصبی مصنوعی در پیش بینی بار معلق عملکرد بهتري دارد. دهقانی و وفاخواه( 1392) در مطالعه اي نتایج حاصل از دو نوع شبکه عصبی مصنوعی و
1
Suspended Rating Curve
منحنی هاي سنجه مختلف در حوضه آبریز گرگان رود را با یکدیگر مقایسه کردند. این پژوهش نشان داد که شبکه هاي پرسپترون چندلایه با ورودي هاي دبی همان روز و دبی یک و دو روز قبل، نسبت به سایر روش ها از دقت بالاتري در تخمین میزان بار رسوب معلق برخوردار است. رجبی و همکاران( 1394) بار معلق رودخانه گیوي چاي را با استفاده از مدل هاي تبرید تدریجی عصبی٣، انفیس و شبکه عصبی مصنوعی تخمین زدند. نتایج بیانگر توانایی بالاتر روش تبرید تدریجی عصبی بود. Aytek و Kishi (2008) در مطالعه اي برنامه ریزي ژنتیک را به عنوان روشی جدید براي فرموله کردن رابطه جریان و بار رسوب معلق روزانه در رودخانه تنگو واقع در مونتانا به کار گرفته و با منحنی سنجه و رگرسیون چند متغیره خطی مقایسه کردند. نتایج نشان داد که برنامه ریزي ژنتیک در مقایسه با دو روش دیگر عملکرد بهتري دارد. Nourani (2009) بار رسوبات معلقی که در دهانه رودخانه تلخهرود تخلیه می شود را، با استفاده از شبکه عصبی مصنوعی مدلسازي نمود. در مدل شبکه عصبی مصنوعی سري زمانی داده هاي جریان رودخانه در زمان حال و گذشته به عنوان ورودي و بار رسوبی به عنوان خروجی مدل در نظر گرفته شد. نتایج بدست آمده از روش شبکه عصبی مصنوعی با نتایج دو روش رگرسیون خطی و روش منحنی سنجه مورد مقایسه قرار گرفت. براساس یافته ها روش شبکه عصبی مصنوعی بعنوان کارآمدترین و بهترین روش پیشنهادي انتخاب و مورد استفاده قرار گرفت. میزان بار رسوبی معلق روزانه با استفاده از مدل ترکیبی موجک و عصبی- فازي تخمین زده شد و توانایی قابل قبول این روش در مقابل منحنی سنجه مشاهده گردید (2010 Rajaee et al.,). در مطالعه اي بار معلق رسوب رودخانه ال واقع در کالیفرنیا با استفاده از داده هاي بارش روزانه، جریان و غلظت رسوب و توسط روش هاي برنامه ریزي بیان ژن٥، شبکه عصبی و سیستم
3
Neural differential evolution
استنتاجی فازي-عصبی تطبیقی پیش بینی گردید. نتایج نشان داد روش برنامه ریزي بیان ژن در پیش بینی بار رسوب معلق روزانه عملکرد بهتري نسبت به دو روش دیگر دارد (2012 Kakaei Lafdani .(Kisi and Shiri, و همکاران( 2013) با استفاده از دو مدل شبکه عصبی مصنوعی و ماشین بردار پشتیبان به پیشبینی بار معلق رسوب روزانه رودخانه پرداختند و نتایج را با مدل هاي رگرسیونی مقایسه نمودند. نتایج نشان داد که مدل هاي رگرسیونی عملکرد ضعیف تري نسبت به دو مدل دیگر در پیش بینی رسوب دارند. Ghorbani و همکاران( 2013) بار رسوبی را توسط روش هاي رگرسیون چند متغیره، شبکه عصبی مصنوعی و مدل عصبی-فازي تخمین زدند. نتایج حاکی از برتري شبکه عصبی مصنوعی در این زمینه بود.
Kia و همکاران( 2013) کارایی شبکه عصبی مصنوعی در مقایسه با منحنی سنجه رسوب را در تخمین و مدل سازي بار رسوبی بررسی نمودند. نتایج نشان دهنده برتري شبکه عصبی مصنوعی با استفاده از دادههاي دبی در ماه جاري بود. (2013 Heng and Suetsugi,) کارایی شبکه عصبی مصنوعی در تخمین بار رسوبی حوضه آبخیز رودخانه تونله ساپ در کامبوج را مورد ارزیابی قرار دادند. نتایج بیانگر عملکرد قابل قبول شبکه عصبی مصنوعی در این زمینه می باشد. (2014Kumar Goyal, ) عملکرد مدل درختی 5M و رگرسیون موجکی را در مقایسه با شبکه عصبی مصنوعی براي پیش بینی آورد رسوبی در حوضه آبریز ناگوا واقع در هند ،مورد بررسی قرار داد. نتایج نشان دهنده برتري مدل درختی 5M و رگرسیون موجکی می باشد.
طبق بررسی مطالعات پیشین صورت گرفته در زمینه تخمین و مدل سازي بار رسوبی رودخانه ها، اکثر مطالعات مربوط به کاربرد روش هاي شبکه عصبی مصنوعی و برنامه ریزي بیان ژن در این زمینه بوده و مطالعات بسیار اندکی در زمینه کاربرد روش هایی مانند مدل درختی 5M و رگرسیون بردار پشتیبان صورت پذیرفته است. همچنین طبق بررسی مطالعات پیشین مطالعه اي در زمینه کاربرد مدل درختی 5M و رگرسیون بردار پشتیبان در ایران و بخصوص حوضه آبریز اهرچاي صورت نپذیرفته است. از این روي، هدف از تحقیق حاضر امکان سنجی کاربرد مدل درختی 5M و روش رگرسیون بردار پشتیبان جهت پیش بینی بار معلق رودخانه اهرچاي در ایستگاه اورنگ در مقایسه با روش متداول منحنی سنجه رسوب و همچنین شناسائی تاثیرگذارترین متغیر در این زمینه می باشد .

مواد و روش ها
منطقه مورد مطالعه و داده هاي مورد استفاده
-1039913811528

5430768466243

سال

سال



قیمت: تومان

دسته بندی : منابع آب خاک

پاسخ دهید