بررسی کارایی شبکه عصبی مصنوعی در برآورد بار معلق رودخانه با استفاده از داده های دسته‌بندی‌شده

نوع مقاله: مقاله اصلی

نویسندگان

1 دانشجوی دکترای مهندسی آب، دانشگاه ارومیه، اومیه، ایران

2 استادیار، مرکز آموزش و تحقیقات کشاورزی و منابع طبیعی استان کردستان، سنندج، ایران

3 کارشناس ارشد آبیاری و زهکشی، دانشگاه بوعلی سینا همدان، همدان، ایران

4 استادیار، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه ارومیه، ارومیه، ایران

چکیده

بار رسوب جریان، شاخص مفیدی در پیش‌بینی فرسایش خاک در حوزه‌های آبخیز است؛ بنابراین تدوین مدلی برای برآورد بار رسوب می‌تواند در مدیریت و اجرای پروژه‌های آبخیزداری و مهندسی رودخانه مفید باشد. در این پژوهش روش دسته‌بندی داده‌ها به‌عنوان راه‌کاری برای افزایش دقت شبکه عصبی مصنوعی در تدوین مدل برآورد رسوب معلق بررسی شد. بدین منظور، میزان آورد رسوبات معلق رودخانه‌های خلیفه‌ترخان و چهل‌گزی در حوضۀ قشلاق در استان کردستان در سه حالت با روش شبکه عصبی مصنوعی با ساختار پرسپترون چندلایه برآورد شد. ابتدا داده‌های اندازه‌گیری شده، بدون هیچ‌گونه تفکیکی مدل‌سازی شدند. سپس داده‌های رواناب برمبنای وضعیت جریان به زیرمجموعه‌های پرآب و کم‌آب و داده‌های رسوب برمبنای غلظت رسوبات به زیرمجموعه‌های غلظت کم‌وزیاد دسته‌بندی شدند. از داده‌های مشاهده‌ای رواناب و رسوب برای واسنجی مدل‌ها استفاده شد. سپس مقادیر برآورد شده با داده‌های ثبت‌شده مقایسه و عملکرد این مدل‌ها با استفاده از معیارهای آماری مورد ارزیابی قرار گرفت. نتایج بیانگر نقش مؤثر دسته‌بندی داده‌ها در بهبود عملکرد روش شبکه عصبی مصنوعی در برآورد رسوب است. به‌طوری‌که دسته‌بندی برمبنای غلظت رسوبات کارآیی مدل را در ایستگاه‌های چهل‌گزی و خلیفه‌ترخان به ترتیب 6/16 و 5/30 درصد افزایش داد. مقایسه دسته‌بندی‌های انجام‌شده نیز نشان داد که دسته‌بندی داده‌ها برمبنای غلظت رسوبات نسبت شدت‌جریان رودخانه مؤثرتر است. نتایج این پژوهش می‌تواند با تخمین دقیق‌تر میزان رسوبات معلق رودخانه‌های منتهی به دریاچۀ سد قشلاق، در بهبود مدیریت حوضه مورداستفاده قرار گیرد.

کلیدواژه‌ها


عنوان مقاله [English]

Assessing the Artificial Neural Network Efficiency to Estimate Suspended Sediment Load using Classified Data

نویسندگان [English]

  • Homayoun Faghih 1
  • Ata Amini 2
  • Farzane Haidari 3
  • Keivan Khalili 4
1 PhD. Scholar, Department of Water Engineering, Urmia University, Urmia, Iran
2 Assistant Prof. Kurdistan Agricultural and Natural Resources Research Center, AREO, Sanadaj, Iran
3 Department of Irrigation and Drainage, Faculty of Agriculture, University of Bu-Ali Sina, Hamadan, Iran
4 Assistant Professor, Department of Water Engineering, Faculty of Agriculture, Urmia University, Urmia, Iran
چکیده [English]

Flow sediment load is a useful indicator in predicting soil erosion in watersheds. As a result, developing a model to estimate sediment load can be useful in the management and operations of watersheds and river engineering projects. In this study, the data classification was studied as a way to increase the accuracy of Artificial Neural Network (ANN) model for estimating suspended sediment. For this purpose, the amount of suspended sediments in the Khalifa-Tarkhãn and Chehelgazi Rivers in Gheshlagh watershed, Kurdistan, Iran was predicted in three modes using an ANN with multilayer configurations. The measured data were also modeled without such classification. Then the runoff data were classified as high and low flows and the sediment data based on sediment concentration were classified as high and low concentrations. The observed runoff and sediment data were used to calibrate the models. Then the calculated values were compared with observed data and the models efficiency was examined using statistical tests. The findings indicate the effective role of data classification in improving the ANN efficiency in sediment estimation. So that classification based on sediment concentration promoted the model efficiency in Chehelgazi and Khalifa-Tarkhān by 16.6 and 30.5% respectively. The comparison of classifications showed that in comparison with flow, the sediment classification has more affective role on models estimations. The results of this study can be used to improve the management of the basin by more accurately estimating suspended sediments transporting in the rivers leading to Gheshlagh Dam Reservoir.

کلیدواژه‌ها [English]

  • Hydrometry
  • ANN
  • Gheshlagh Watershed
  • Sediment Concentration
  • Kurdistan