ترکیب‌های بهینه متغیرهای هیدرولوژی برای مدل‌سازی بار رسوب معلق روزانه در حوزه آبخیز کرج

Abstract

تحلیل داده‌­های بار رسوب معلق در رودخانه‌­ها اساس شناخت روند فرسایش و رسوب در بحث مدیریت و برنامه‌­ریزی منابع آب و خاک است. به‌­دلیل عدم دسترسی به داده‌­های بار رسوب معلق روزانه با اندازه­‌گیری مستقیم، استفاده از روش‌­هایی برای مدل­‌سازی و برآورد آن در حوزه‌­های آبخیز حائز اهمیت است. یکی از روش‌­های مناسب مورد استفاده در این زمینه، به­‌کارگیری شبکه­‌های عصبی مصنوعی است. برای مدل­‌سازی بار رسوب معلق روزانه، ایستگاه هیدرومتری سیرا در حوزه آبخیز رودخانه کرج مورد مطالعه قرار گرفت. تعداد داده مورد استفاده در این پژوهش، 624 داده با طول دوره­ آماری 31 سال (از سال 1360 تا1390) است. متغیرهای ورودی به­ مدل­‌های شبکه عصبی مصنوعی شامل دبی لحظه‌­ای، متوسط دبی روزانه، متوسط دبی روزانه با تاخیر سه روزه، متوسط بارش روزانه و متوسط بارش روزانه با تاخیر سه روزه و متغیر خروجی به مدل‌­ها بار رسوب معلق روزانه است. برای تعیین متغیرهای بهینه و بهترین ترکیب متغیرها برای ورود به مدل از آزمون گاما و الگوریتم ژنتیک استفاده شد. سپس، این ترکیب­‌ها به­­‌همراه برخی از ترکیب متغیرهای حاصل از آزمون و خطا، وارد مدل­‌های شبکه‌­های عصبی مصنوعی شد. از شبکه عصبی نگاشت خودسازمان­ده برای خوشه­‌بندی داده‌­ها استفاده و داده‌­ها به سه گروه همگن، شامل 70 درصد برای آموزش، 15 درصد برای اعتبارسنجی و 15 درصدی برای آزمون جدا شد. در ادامه، ترکیب متغیرها وارد مدل­‌های شبکه­ عصبی با توابع فعال­‌سازی لوگ سیگموئید و تانژانت سیگموئید شد. نتایج نشان داد، در بین تمام ترکیب­های ورودی به مدل­های شبکه عصبی، مدل با تابع فعال­سازی تانژانت سیگموئید با ترکیب متغیرهای ورودی شامل دبی لحظه­‌ای (Q)، دبی متوسط روزانه (Q_i)، دبی متوسط روزانه دو روز قبل (Q_i-2)، دبی متوسط روزانه سه روز قبل (Q_i-3)، بارندگی متوسط روزانه (P_i)، بارندگی متوسط روزانه دو روز قبل (P_i-2) و بارندگی متوسط روزانه سه روز قبل (P_i-3) مدل مناسب برای برآورد بار رسوب معلق روزانه شد. این مدل کمترین مقدار خطا، بالاترین کارایی مدل و کمترین انحراف استاندارد عمومی را در مقایسه با سایر مدل‌­ها دارد. این مدل، بهترین ترکیب با تاثیرگذارترین متغیرهای ورودی ­به‌­دست آمده از آزمون گاما و الگوریتم ژنتیک برای برآورد SSL است.