کاربرد سه مدل هوشمند در برآورد بار معلق حوضه‌های آبخیز (مطالعه موردی: حوضه آبخیز دره‌رود، استان اردبیل)

آب و خاک

مقاله 6، دوره 34، شماره 4 - شماره پیاپی 72، مهر 1399، صفحه 827-845   

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jsw.v34i4.86251

نویسندگان

یاسمن عطایی؛ محمد رضا نیک پور^* ؛ امین کانونی؛ یاسر حسینی

دانشگاه محقق اردبیلی

چکیده

تخمین بار معلق در طیف وسیعی از مسائل از قبیل طراحی مخازن سدها، برآورد میزان فرسایش و رسوب­گذاری اطراف پایه­های پل و مدیریت حوضه­های آبخیز به­کار گرفته می­شود. در این پژوهش به­منظور تخمین بار معلق حوضه دره­رود، مقادیر دبی و بار معلق در 16 ایستگاه هیدرومتری طی دوره مشترک آماری 15 ساله (94-1380) جمع­آوری گردید. پنج الگوی مختلف بر اساس میزان تأثیرگذاری متغیرهای دبی و خصوصیات فیزیوگرافی زیرحوضه­ها شامل مساحت، شیب، ضریب شکل و شماره منحنی بر بار معلق حوضه تعریف شد. ضمناً با در نظر گرفتن پارامترهای مساحت و شیب، زیرحوضه­ها به دو گروه اول و دوم تقسیم­بندی شدند. عملکرد مدل­های شبکه عصبی مصنوعی (ANN)، سامانه استنتاجی فازی- عصبی تطبیقی (ANFIS) و برنامه­ریزی بیان ژن (GEP) در پیش­بینی بار معلق مورد بررسی قرار گرفت. نتایج نشان داد تخمین بار معلق با به­کارگیری الگوی ترکیبی شامل کلیه خصوصیات فیزیوگرافی و دبی با بیشترین دقت همراه بود. در بین مدل­های هوشمند بهترین عملکرد متعلق به مدل GEP بود. در گروه اول، این مدل بیشترین ضریب تعیین (68/0=R2)، کمترین مقدار ریشه میانگین مربعات خطا ( ton/day69/7=RMSE) و بیشترین ضریب نش-ساتکلیف (55/0=NS) را در مقایسه با سایر مدل­ها به خود اختصاص داد. در خصوص گروه دوم نیز مدل GEP با دارا بودن مقادیر R2، RMSE و NS به­ترتیب برابر با 72/0، 26/975 و 43/0 برتری محسوسی داشت. با استفاده از مدل GEP برای گروه­های اول و دوم مدل­های منطقه­ای رسوب استخراج شد. طبق نتایج، طی سال­های 94-1380 سالانه به­طور میانگین 33/6 میلیون تن رسوبات معلق توسط شبکه آبراهه­ها در کل حوضه دره­رود جابه­جا شده و به­طور متوسط سهم هر کیلومتر مربع حوضه، حدود 1000 تن بوده است.

کلیدواژه‌ها

بار معلق؛ حوضه دره رود؛ خصوصیات فیزیوگرافی؛ دبی ویژه رسوب؛ مدل های هوشمند

مراجع

Abolfathi D., Madadi A., and Asghari S. 2018. Modelling of river sediment estimation by artificial neural network method (Case study: Golroud river). Qualitative Geomorphological Research 7(2): 196-208. (In Persian with English abstract)

2- Adnan R.M., Liang Z., El-Shafie A., Zounemat-Kermani M., and Kisi O. 2019. Prediction of suspended sediment load using data-driven models. Water 11(10): 1-19.

3- Asadi M., and Fathzadeh A. 2018. The use of computational intelligence base models in suspended sediment load estimation (Case study: Gillan province). Journal of Range and Watershed Management 71(1): 45-60. (In Persian with English abstract)

4- Ayele G.T., Teshale E.Z., Yu B., Rutherfurd I.D., and Jeong J. 2017. Streamflow and sediment yield prediction for watershed prioritization in the upper Blue Nile river watershed, Ethiopia. Water 9(782): 1-29.

5- Azamathulla H.M., Caun Y.C., Aminudin A., and Chang C.K. 2013. Suspended sediment load prediction of river systems: GEP approach. Arabian Journal of Geoscience 6: 3469-3480.

6- Dehghani A.A., Zanganeh M.E., Mosaedi A., and Kouhestani N. 2015. Comparison of estimating the suspended load using rating curve and ANN (Case study: Dough river, Golestan province). Journal of Agriculture and Natural Resources Sciences 16: 1-16. (In Persian with English abstract)

7- Dolat Kordestani M., Nohegar A., and Janizadeh S. 2018. Evaluating performance of adaptive neural-fuzzy and artificial neural networks in estimating daily suspended sediment (Case study: Gero watershed). Qualitative Geomorphological Research 6(4): 120-130. (In Persian with English abstract)

8- Ferreira C. 2001. Gene expression programming: a new adaptive algorithm for solving problems. Complex Systems 13(2): 87–129.

9- Ferreira C. 2004. Genetic representation and genetic neutrality in gene expression programming. Advances in Complex Systems 5(4): 389-408.

10- Ferreira C. 2006. Gene expression programming: mathematical modeling by an artificial intelligence. 2nd edn, Springer-Verlag, Germany.

11- Ghorbani M.A., and Dehghani R. 2014. Comparison of Bayesian neural networks and artificial neural networks to estimate suspended sediments in rivers (Case study: Simineh Rood). Environment Sciences and Technology 19(2): 1-13. (In Persian with English abstract)

12- Hassanpour F., Sharifazari S., Ahmadaali K., Mohammadi S., and Sheikhalipour Z. 2019. Development of the FCM-SVR hybrid model for estimating the suspended sediment load. KSCE Journal of Civil Engineering 23: 2514-2523

13- Jang J.S.R. 1993. ANFIS: Adaptive network-based fuzzy inference system. IEEE Transaction System Management and Cybernetics 23(3): 665-686.

14- Kennedy P., Condon M., and Dowling J. 2003. Torque-ripple minimization in switched reluctant motors using a neuro-fuzzy control strategy. In: Proceedings of the IASTED International Conference on Modeling and Simulation.

15- Kheirfam H., Kheirfam B., Azhdan Y., and Hosseini S. 2018. Variability of bed and suspended load and bed to suspended load ratio in QotourChay River. Watershed Engineering and Management 10(3): 410-420. (In Persian with English abstract)

16- Kisi O., and Shiri J. 2012. River suspended sediment estimation by climatic variables implication: Comparative study among soft computing techniques. Computers and Geosciences 43: 73-82.

17- Mohammadi S. 2019. The suspended sediment load modeling by artificial neural networks, neural-fuzzy and rating curve in Halilrood watershed. Watershed Engineering and Management 11(2): 452-466. (In Persian with English abstract)

18- Montaseri M., and Ghavidel S. 2014. River flow forecasting by soft computing. Journal of Water and Soil 28(2): 394-405. (In Persian with English abstract)

19- Nikpour M.R., and Sanikhani H. 2017. Suspended load modeling of river using soft computing techniques (Case study: Dareh-rood river). Journal of Irrigation and Water Engineering 8(2): 29-44.

20- Salih S.Q., sharafati A., Khosravi K., Faris H., Kisi O., Tao H., Ali M., and Yaseen Z.M. 2019. River suspended sediment load prediction based on river discharge information: application of newly developed data mining models. Hydrological Sciences Journal 65(4): 624-637.

21- Samadzadeh R., Khayyam M., and Fazeli R.S. 2013. Modelling of estimation of the suspended Load in Ardabil Darehrud basin. Geography and Environmental Planning Journal 51(3): 153-178. (In Persian with English abstract)

22-Sanikhani H., Kissi O., Nikpour M.R., and Dinpashoh Y. 2012. Estimation of Daily Pan Evaporation using two different Adaptive Neuro-Fuzzy Computing Techniques. Water Resource Management 26(15): 4347-4365.

23- Samantaray S., and Ghose D.K. 2018. Evaluation of suspended sediment concentration using descent neural networks. Procedia Computer Science 132: 1824–1831.

24- Sheikhalipour Z., Hassanpour F., and Azimi V. 2015. Comparison of artificial intelligence methods in estimation of suspended sediment load (Case Study: Sistan River). Journal of Water and Soil Conservation 22(2): 41-60. (In Persian with English abstract)

25- Tofani P., Fakherifard A., Mosaedi A., and Dehghani A.A. 2015. Prediction of precipitation applying wavelet and ANN-wavelet. Journal of Range and Watershed Management 68(3): 553-571. (In Persian with English abstract)

26- Yilmaz B., Aras E., Nacar S., and Kankal M. 2018. Estimating suspended sediment load with multivariate adaptive regression spline, teaching-learning based optimization, and artificial bee colony models. Science of the Total Environment 639: 826-840.

27- Zhu Y.M., Lu X.X., and Zhou Y. 2007. Suspended sediment flux modeling with artificial neural network: an example of the Longchuanjiang River in the Upper Yangtze Catchment, China. Geomorphology 84: 111-125.