مدل‌سازی رسوب معلق با استفاده از الگوریتم‌های یادگیری ماشین در دوره‌های کم‌آبی و پرآبی (مطالعه موردی: حوزه آبخیز کشکان)

نوع مقاله : پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد/گروه مهندسی مرتع و آبخیزداری، دانشکده کشاورزی و منابع طبیعی، دانشگاه لرستان، خرم‌آباد، ایران

2 استادیار/گروه مهندسی مرتع و آبخیزداری، دانشکده کشاورزی و منابع طبیعی، دانشگاه لرستان، خرم‌آباد، ایران

3 دانشیار/ گروه مهندسی مرتع و آبخیزداری، دانشکده کشاورزی و منابع طبیعی، دانشگاه لرستان، خرم‌آباد، ایران

چکیده

در این پژوهش با استفاده از الگوریتم‌های یادگیری به بررسی کارایی مدل‌های RF، RepTree، GP-PUK، GP-RBF و M5P برای مدل‌سازی بار معلق رودخانه در استان لرستان شامل حوزه‌های آبخیز خرم‌آباد، بیرانشهر و الشتر پرداخته شد. برای انجام این کار از داده‌های ورودی بارش، دبی، دبی یک روز قبل و میانگین دبی و دبی یک روز قبل هم‌چنین داده خروجی رسوب معلق در بازه زمانی 18 ساله (سال‌های 79-80 تا 96-97) استفاده شد. با استفاده از داده‌های در دسترس منحنی تداوم جریان و منحنی سنجه رسوب را به‌دست آورده سپس با استفاده از داده‌های دبی برای هر ایستگاه حد تعیین دوره کم‌آبی و دوره پرآبی مشخص شد، سپس رسوب معلق به دو دوره رسوب معلق کم‌آبی و پرآبی تقسیم شد، سپس مدل‌سازی داده‌ها (70 درصد داده‌های آموزش و 30 درصد داده‌های آزمایش) با استفاده از مدل‌های ذکر شده انجام شد. نتایج نشان داد باتوجه به معیارهای ارزیابی مدل GP با دو کرنل PUK و RBF در دوره کم‌آبی و پرآبی عملکرد بهتری را نسبت به سایر مدل‌ها (RF, RepTree, M5P) داشته است. با توجه به نتایج بخش آزمایش مدل GP-PUK بهترین نتیجه را به ما داده است که به‌ترتیب ضریب همبستگی، ریشه میانگین مربعات خطا و میانگین خطای مطلق در ایستگاه بهرام‌جو 0.55، 0.42 و 0.27، هم‌چنین ایستگاه چم‌انجیر 0.74، 0.18 و 0.80، در ایستگاه سراب صیدعلی 0.71، 0.16 و 0.07 و در آخر ایستگاه کاکارضا 0.73، 0.24 و 0.15 به‌دست آمده است. در مجموع مدل GP-PUK به‌عنوان مدل برتر، قدرت بالاتری برای مدل‌سازی همه ایستگاه‌ها در رسوب معلق دوره پرآبی و کم‌آبی در بخش آزمایش بوده است. لذا با توجه به نتایج به‌دست آمده از این پژوهش می‌توان از این مدل‌های بهینه برای صرفه‌جویی در هزینه و زمان برای بحث حفاظت آب و خاک و تخمین رسوب معلق خروجی از حوزه‌های آبخیز استفاده کرد. هم‌چنین می‌توان برای اجرای مدیریت بهتر در رابطه با کمیت و کیفیت آب‌های سطحی، این مدل‌ها برای تخمین رسوبات معلق ایستگاه‌های مجاور فاقد آمار دارای شرایط زمین‌ساختی و هیدرولوژیکی یکسان در سطح منطقه مورد استفاده قرار گیرند و نتایج قابل اعتمادی در رابطه با رسوب معلق ارائه دهند.

کلیدواژه‌ها

موضوعات


اسدی، م.، و فتح‌زاده، ع. (1397). بررسی کارایی مدل‌های مبتنی بر هوش محاسباتی در برآورد بار معلق رودخانه (مطالعه موردی: استان گیلان). مرتع و آبخیزداری، منابع طبیعی ایران، 1(71)، 45-60.
انصاری، ح.، و داوری، ک. (1387). پهنه‌بندی دوره خشک با استفاده از شاخص بارش استاندارد در محیط GIS. تحقیقات جغرافیایی، 39(60)، 108-98.
خلیقی سیگارودی، ش.، صادقی سنگدهی، س.ع.، اوسطی، خ.، و قویدل رحیمی، ی. (1388). مطالعه مدل‌های ارزیابی خشکسالی سال مرطوب برای ایستگاه‌های استان مازندران. تحقیقات حوزة آبخیز و بیابان ایران، 16(1)، 44-54.
سپه‌وند، ع.، نظری سامانی، ع.، محمدیان، ه.، احمدی، ح.، و فیض‌نیا، س. (1399). تغییرات بار فصلی رسوب انحلالی و تعیین سرعت انحلال‌پذیری سازندهای آهکی. علوم و مهندسی آبخیزداری ایران، ۱۴(۴۸)، 21-32.
سپه‌وند، ع.، و عزیزی نجفقلی، ز. (1399). مدل‌سازی رسوب معلق با استفاده از مدل‌های فرآیند گوسی و پرسپترون چند لایه. پانزدهمین همایش ملی علوم و مهندسی آبخیزداری ایران، دانشگاه علوم کشاورزی و منابع طبیعی ساری.
ستاری، م.، رضازاده جودی، ع.، صفدری، ف.، و قهرمانزاده، ف. (1395). ارزیابی عملکرد روش‌های مدل درختی M5 و رگرسیون بردار پشتیبان در مدل‌سازی رسوب معلق رودخانه. حفاظت منابع آب و خاک، 6(1)، 109-124.
سلیمانی، ل.، دریکوند، ب.، و سپه‌وند، ع. (1401). مدل‌سازی نفوذپذیری در کلاس‌های مختلف بافت خاک با استفاده از الگوریتم‌های یادگیری. پژوهش‌های آبخیزداری، 35(4)، 1-15.
عشقی، پ.، دستورانی، م.ت.، عرب اسدی، ز.، و فرزاد مهر، ج. (1395). بررسی کارایی مدل‌های هوشمند در برآورد رسوبات معلق رودخانه‌ای. مدیریت حوزة آبخیز، 7(14)، 88-95.
قبادیان، ر.، و شکری، ح. (1398). بررسی عددی عوامل موثر بر توزیع غلظت رسوب نامتعادل در رودخانه‌های طبیعی. آب و خاک (علوم و صنایع کشاورزی)، 2(34)، 241-253.
کوهستانی، و.ر.، حسنلوراد، م.، و بازرگان لاری، م. (1395.). پیش‌بینی ظرفیت باربری نهایی پی‌های سطحی واقع بر خاک‌های دانه‌ای با استفاده از مدل درختی M5P. مهندسی عمران فردوسی. 2(27)، 110-99.
محمدی، ص. (1398). شبیه‌سازی بار رسوب معلق با استفاده از روش‌های شبکه عصبی مصنوعی، عصبی-فازی و منحنی سنجه رسوب در حوزة آبخیز هلیل‌رود. مهندسی و مدیریت آبخیز، 2(11)، 452-466.
مصطفی‌زاده، ر.، و ذبیحی، م. (1395). مقایسه شاخص‌های SPI , SPEI در ارزیابی خشکسالی هواشناسی با استفاده از برنامه‌نویسی R. فیزیک زمین و فضا، (42)، 633-643.
میرفلاح نصیری، س.، امیری، ا.، و شادابی بجند، م. (1399). مدل‌سازی برآورد میزان رسوب معلق رودخانه پسیخان با استفاده از شبکه مصنوعی درخت تصمیم. حفاظت منابع آب و خاک، 10(2)، 31-42.
 
Adnan Khan, M., Stamm, J., & Haider, S. (2021). Assessment of soft computing techniques for the prediction of suspended sediment loads in rivers.Applied Science, 11, 82-90.
Ansari, H., & Davari, K. (2008). Classification of dry period using standard precipitation index in GIS environment. Geographical Research, 39(60), 98-108 (in Persian).
Asadi, M., & Fathzadeh, A. (2017). Investigating the effectiveness of computational intelligence-based models in river load estimation (case study: Gilan province). Range and Watershed Management, Journal of Natural Resources of Iran, 1(71), 45-60 (in Persian).
Bazuhair, S.A., Gohani, A., & Sen, Z. (1997). Determination of monthly wet and dry periods in Saudi Arabia. International Journal of Climatology, 17, 303-311.
Bonakdar, L., & Etemad Shahidi, A. (2011). Predicting wave run-up on rubble-mound structures using M5 model tree. Ocean Engineering, (38), 111-118.
Breiman, L. (1996). Bagging predictors. Machine Learning, 24(2), 123–140.
Doroudi, S., Sharafati, A., & Mohajeri, S.H. (2021). Estimation of daily suspended sediment load using a novel hybrid support vector regression model incorporated with observer-teacher-learner-based optimization method. Complexity, 5540284, 1-13.
Eshghi, P., Farzad Mehr, J., Dasturani, M.T., & Arabasadi, Z. (2015). Investigating the efficiency of intelligent models in estimating river suspended sediments. Watershed Management Research Journal, 7(14), 88-95 (in Persian).
Khalighi, Sh., Sadeghi Sangehi, S.A., Osta, Kh., & Qavidel Rahimi, Y. (2009). A study of wet year drought assessment models for stations in Mazandaran province. Iranian Watershed and Desert Research Journal, 16(1), 44-54 (in Persian).
Kohestani, V.R., Hasanlorad, M., & Bazargan Lari, M. (2016). Prediction of the ultimate bearing capacity of surface foundations located on granular soils using the M5P tree model. Ferdowsi Civil Engineering, 2(27), 99-110 (in Persian).
Malik, A., Kumar, A., & Piri, J. (2017). Daily suspended sediment concentration simulation using hydrological data of Pranhita River Basin, India. Computers and Electronics in Agriculture, 1(138), 20-28.
Mirfalah Nasiri, S., Amiri, E., & Shadabi Bejand, M. (2019). Modeling the estimation of the amount of suspended sediment in the Pasikhan River using the artificial decision tree network. Journal of Water and Soil Resources Protection, 10(2), 31-42 (in Persian).
Mohammadi, S. (2018). Simulation of suspended sediment load using artificial neural network, neural-fuzzy and sediment gauge curve methods in Halil-Roud watershed. Scientific-Research Journal of Watershed Engineering and Management, 2(11), 452-466 (in Persian).
Mostafazadeh, R., & Zabihi, M. (2016). Comparison of SPI, SPEI indices in meteorological drought assessment using R programming (study area: Kurdistan province). Journal of Earth and Space Physics, 42, 633-643 (in Persian).
Nourani , V., Gokcekus , H., & Gelete , G. (2020). Estimation of suspended sediment load using artificial intelligence-based ensemble model. Complexity, 1-19.
Pal, M., & Deswal, S. (2010). Modelling pile capacity using Gaussian process regression. Computers and Geotechnics, 37, 942-947.
Pal, M. (2005). Random forest classifier for remote sensing classification. International Journal of Remote Sensing, 26(1), 217-222.
Prasad, A.M., Iverson, L.R., & Liaw, A. (2006). Newer classification and regression tree techniques: Bagging and random forests for ecological prediction. Ecosystems, 9(2), 181-199.
Qobadian, R., & Shokri, H. (2018). Numerical investigation of factors affecting the distribution of unbalanced sediment concentration in natural rivers (case study: Qarasu River, Kermanshah). Water and Soil (Agricultural Sciences and Industries), 2(34), 241-253 (in Persian).
Quinlan, J.R. (1992). Learning with continuous classes. In Proceedings of the 5th Australian joint Conference on Artificial Intelligence. Hobart: Singapore.
Rahul, A.K., Shivhare, N., Kumar, S., Dwivedi, S.B., & Dikshit, P.K.S. (2021). Modelling of daily suspended sediment concentration using FFBPNN and SVM algorithms. Journal of Soft Computing in Civil Engineering, 5(2),120-134.
Sattari, M., Rezazade Jodi, A., Safdari, F., & Kahramanzadeh, F. (2015). Performance evaluation of M5 tree model and support vector regression methods in river suspended sediment modeling. Journal of Water and Soil Resources Protection, 6(1), 109-124 (in Persian).
Sepahvand, A., & Azizi Najafkali, Z. (2019). Suspended sediment modeling using Gaussian process and multi-layer perceptron models. 15th National conference on Watershed Management Sciences and Engineering of Iran, Sari, Iran.
Sepahvand A., Nazari Samani, A.A., Mohammadian, H., Ahmadi, H., & Feiz Nia, S. (2020). Seasonal variation of the solute and determine the solubility of limestone formations. Iranian Journal of Watershed Management Science and Engineering, 14(48), 21-32.
Sepahvand, A., Singh, B., Sihag, P., Nazari, A., Hasan Ahmadi, S., & Fiz Nia, S. (2019). Assessment of the various soft computing techniques to predict sodium absorption ratio (SAR). ISH Journal of Hydraulic Engineering, 27, 124-135.
Shojaeezadeh, S.A., Nikoo, M.R., McNamara, J.P., AghaKouchak, A., & Sadegh, M. (2018). Stochastic modeling of suspended sediment load in alluvial rivers. Advances in Water Resources, 119, 188-196.
Smakhtin V.U. (2001). Low-flow hydrology: a review. Journal of Hydrology, (240), 147-186.
Soleimani, L., Derikund, B., & Sepehvand, A. (2021). Permeability modeling in different classes of soil texture using learning algorithms. Watershed Researches, 35(4), 1-150 (in Persian).
Wang, Y., & Witten, I.H. (1997). Inducing model trees for continuous classes. Proceedings of the Ninth European Conference on Machine Learning, Prague, Czech Republic: Springer.
Yang, D., Zhang, X., Pan, R., Wang, Y., & Chen, Z. (2018). A novel Gaussian process regression model for state-of-health estimation of lithium-ion battery using charging curve. Journal of Power Sources, 384, 387-395.
دوره 3، شماره 2
تیر 1402
صفحه 50-65
  • تاریخ دریافت: 16 مرداد 1401
  • تاریخ بازنگری: 06 شهریور 1401
  • تاریخ پذیرش: 06 شهریور 1401
  • تاریخ اولین انتشار: 06 شهریور 1401