مدلسازی برآورد میزان رسوب معلق رودخانه پسیخان با استفاده از شبکه عصبی مصنوعی درخت تصمیم

الموضوعات :

سیدسامان میرفلاح نصیری ¹ , ابراهیم امیری ² , محبوبه شادابی بجند ³

1 - گروه مهندسی آب، دانشگاه آزاد اسلامی واحد لاهیجان، ایران
2 - استاد گروه مهندسی آب، واحد لاهیجان، دانشگاه آزاد اسلامی، لاهیجان ایران
3 - گروه مهندسی آب، دانشگاه آزاد اسلامی واحد لاهیجان، ایران

تاريخ الإرسال : 26 الأربعاء , محرم, 1441 تاريخ التأكيد : 10 الأربعاء , ذو القعدة, 1441 تاريخ الإصدار : 07 الجمعة , رجب, 1442

الکلمات المفتاحية: رسوب معلق, شبکه عصبی مصنوعی, رودخانه پسیخان, درخت تصمیم, مدلسازی,

ملخص المقالة :

برآورد دقیق میزان رسوبات حمل شده در رودخانه‌ها بر اثر فرسایش عامل مهمی برای مدیریت پروژه های آب شناختی می‌باشد. شبکه عصبی مصنوعی به دلایل عمده از جمله برخورداری از توانایی تشخیص الگو، رابطه خوب بین ورودی و خروجی و نیاز به تعداد داده‌های ورودی کم‌تر در پیش‌بینی میزان رسوب معلق دارای اهمیت فراوانی است. بر این اساس پژوهش حاضر اقدام به مدلسازی برآورد میزان رسوب معلق رودخانه پسیخان با استفاده از شبکه عصبی مصنوعی درخت تصمیم M5 کرده است. میزان رسوب در رودخانه‌ها تابع پارامترهای زیادی از هندسه رودخانه، هیدرولیک جریان و خصوصیات رسوب است. به همین دلیل در این تحقیق سعی شده است ابتدا با بی بعد سازی پارامترهای موثر بر ظرفیت حمل رسوب، تعداد پارامترهای موثر کاهش یابد. نتایج نشان داد که درخت تصمیم ساخته شده اولیه یعنی درخت M5 نیاز به هرس ندارد و دارای کاربرد مناسب می باشد. برای بررسی میزان دقت مدل پیش‌بینی از سه پارامتر ضریب تعیین (R2)، متوسط خطای نسبی (ME) و میانگین مجذور مربعات خطا (RMSE) استفاده شد. مقادیر بدست آمده برای این سه پارامتر به ترتیب برابر با 851/0، 64/1037 و 32/941 به دست آمد که نشان دهنده مناسب بودن این سه پارامتر است. همچنین مقایسه میزان رسوب معلق بدست آمده از مدل درخت تصمیم با داده‌های اندازه گیری رودخانه پسیخان نشان داد که میزان ضریب تعیین برابر با 8953/0 به دست آمد که یک مقدار بسیار مناسب است. نتایج نشان داد که این مدل در پیش بینی میزان رسوب معلق در رودخانه پسیخان از کارایی موثری برخوردار است.

المصادر:

سالاری جزی. م، قربانی. خ، احمدیانفرو ا، 1398، تحلیل کارایی مدل های شبکه عصبی پرسپترون چندلایه و مدل درخت تصمیم M5 در تخمین بار رسوب معلق روزانه، دانشکده علوم کشاورزی و منابع طبیعی گرگان.

معتمدی خیاوی, فرید و خسرو نظام خیاوی، ۱۳۹۴، استفاده از مدل درختی M5 در تخمین رسوبات معلق رودخانه درهرود، دومین کنفرانس ملی توسعه پایدار در علوم جغرافیا و برنامه ریزی، معماری و شهرسازی، بصورت الکترونیکی، مرکز راهکارهای دستیابی به توسعه پایدار.

Alcayaga, H.A., Mao, L., Belleudy, P., 2018. Predicting the geomorphological responses of gravel-bed rivers to flow and sediment source perturbations at the watershed scale: an application in an Alpine watershed. Earth Surf. Process. Landf. 43, 894–908.

Arab Khadri, M., Hakim Khani, Sh., And Khojini, A., 2016, Necessity of revision of conventional methods for estimating suspended load of rivers, 5th River Engineering Seminar, Ahvaz, 437-429.

Bhattacharya, B., and Solomatine, D.P. 2016. Machine learning in sedimentation modelling, Neural Networks, 19: 208 –214.

Chang, C.K., Azamathulla, H.Md., Zakaria, N.A.,Ab Ghani,A. 2016.Appraisal of soft computing echniques in prediction of total bed material load in tropical rivers, J. Earth Syst. Sci. 121(1), 125–133.

Danandeh Mehr,A, Aliyayi,A and Ghorbani,M. 2015, Suspension Suspension Risks Forecasting Based on Fluid Flow Using Genetic Planning. Watershed Research (Research and Development), No. 88, p. 54-44.[in persian]

Diop, L., Bodian, A., Djaman, K., Yaseen, Z.M., Deo, R.C., El-Shafie, A., Brown, L.C., 2018. The influence of climatic inputs on stream-flow pattern forecasting: case study of Upper Senegal River. Environ. Earth Sci. 77, 182.

Javernick, L.A., Redolfi, M., Bertoldi, W., 2018. Evaluation of a numerical model's ability to predict bed load transport observed in braided river experiments. Adv. Water Resour. 115, 207–218. https://doi.org/10.1016/j.advwatres.2018.03.012.

Lopes, C.L., Bastos, L., Caetano,M., Martins, I., Santos, M.M., Iglesias, I., 2019. Development of physical modelling tools in support of risk scenarios: a new framework focused on deep-sea mining. Sci. Total Environ. 650, 2294–2306.

Miller, K.A., Thompson, K.F., Johnston, P., Santillo, D., 2018. An overview of seabed mining including the current state of development, environmental impacts, and knowledge gaps. Front. Mar. Sci. 4, 418.

Pan, Y., Chen, J., Zhou, H., Tam, N.F.Y., 2018. Changes in microbial community during removal of BDE-153  in four types of aquatic sediments. Sci. Total Environ. 613–614, 644–652.

Quinlan, J. R. 1992. Learning with continuous classes. Proceedings of Fifth Australian joint conference on artificial intelligence, Singapore, pp. 343–348.

Sadegh, M., Majd, M. S., Hernandez, J., and Haghighi, A. T. The quest for hydrological signatures: Effects of data transformation on bayesian inference of watershed models. Water Resources Management (2018), 1 –15.

Tuttle-Raycraft, S., Morris, T.J., Ackerman, J.D., 2017. Suspended solid concentration reduces feeding in freshwater mussels. Sci. Total Environ. 598, 1160–1168.

Walling, D.E., and D.W. Webb. 2017. The reliability of suspended sediment load data, In: Erosion and sediment transport (Proc. of Florence Symp), IAHS. Publ., No. 133, pp. 177-194.

Wisser, D., Frolking, S., Hagen, S., Bierkens, F.P.M., 2016. Beyond peak reservoir storage? A global estimate of declining water storage capacity in large reservoirs. Water Resour. Res. 49, 5732–5739.

Zangane, Z., Ab. Ghani, Abu Hasan, Z. 2011. Prediction of bed load transport in Kurau River based on genetic programming. 3rd International Conference on Managing Rivers in the 21st century, Malaysia.