ارائه یک رویکرد نوین در افزایش کارایی مدل‌ منحنی سنجه رسوب در برآو رد بار رسوب معلق حوزه‌های آبخیز (مطالعه موردی: رودخانه مهاباد چای، استان آذربایجان غربی)

برآورد صحیح مقدار رسوب معلق نقش مهمی در طراحی بهینه سازه های آبی، مطالعات فرسایش و رسوب و مطالعات کیفی آب دارد. منحنی سنجه رسوب، یک مدل رگرسیونی مرسوم و شناخته شده در این زمینه بوده، بااین حال به دلیل تبدیلات لگاریتمی در واسنجی این مدل، مقادیر برآوردی آن اغلب کمتر از مقدار واقعی است. در پژوهش حاضر، با استفاده از داده های دبی لحظه ای جریان و بار رسوب معلق ایستگاه هیدرومتری بیطاس در رودخانه مهاباد چای، مدل منحنی سنجه رسوب واسنجی و پس ازآن، با استفاده از الگوریتم ژنتیک چند هدفه با مرتب سازی نامغلوب (nsga-ii)، ضرایب این مدل مجدداً بهینه شد. این الگوریتم یک روال خودکار بوده و می تواند توابع هدف مختلفی را در فرآیند واسنجی به طور هم زمان مورد استفاده قرار دهد. در این رابطه در فرایند واسنجی مدل از چهار تابع هدفrmse ،mae ، nse و loge به طور دوبه دو استفاده گردید که با توجه به نتایج ارزیابی مدل، توابع هدف nse و loge به عنوان بهترین توابع هدف جهت بهینه سازی مدل انتخاب شدند. همچنین به منظور افزایش قدرت تعمیم دهی مدل ها، از شبکه عصبی بدون ناظر نگاشت خودسازمان ده (som) برای خوشه بندی داده ها و تشکیل دو مجموعه داده همگن (مجموعه های واسنجی و ارزیابی) به نسبت 70 و 30 درصد استفاده شد. نتایج نشان داد که استفاده از الگوریتم nsgaii سبب افزایش کارایی مدل شده به نحوی که نتایج آن، از نتایج دیگر مدل های مرسوم منحنی سنجه رسوب (نظیر منحنی سنجه حد وسط دسته ها، منحنی سنجه های تصحیح شده با ضرایب تصحیحی) بهتر است. در این رابطه، مقدار خطای (rmse) داده های آزمون در بهترین مدل منحنی سنجه، 383.65 تن در روز محاسبه گردید که با استفاده از الگوریتم nsgaii به 102.94 تن در روز کاهش یافت. درمجموع، با استفاده از الگوریتم nsgaii می توان ضرایب مدل منحنی سنجه رسوب را به نحوی بهینه نمود که کارایی آن بیشتر از سایر مدل های سنتی گردد.

Presenting a New Approach to Increase the Efficiency of the Sediment Rating Curve Model in Estimating Suspended Sediment Load in Watersheds (Case Study: Mahabad-Chai River, Lake Urmia Basin, West Azarbayejan Province, Iran)

The estimation of the correct amount of suspended sediment has an important role in the optimal design of water structures, erosion studies and water quality studies. The sediment rating curve (SRC) is a conventional and wellknown regression model. However, due to logarithmic transformations in calibrating this model, its estimated values ​​are often less than actual values. In the present study, using the instantaneous flow discharge and suspended sediment load of Beytas hydrometric station in the MahabadChai River, the SRC model was calibrated, and then using Nondominated Sorting Genetic Algorithm II (NSGAII), the coefficients of this model optimized again. This algorithm is an automatic procedure and can use different objective functions in the calibration process simultaneously. In this regard, in the calibration process of the model, four objective functions RMSE, MAE, NSE, and LOGE were used as pairwise combinations. According to the results of the model evaluation, the NSE and LOGE objective functions were selected as the best objective functions for optimization of the model. In order to increase the power of the model's generalization, the selforganizing map (SOM) neural network was used to cluster data and form two homogeneous data sets (calibration and evaluation sets) of 70% and 30% respectively. The results showed that the use of the NSGA II algorithm resulted in improved model efficiency so that the results are much more favorable than the other results of conventional SRC models (such as the rating curve of mean load within discharge classes, SRC models corrected by correction factors). In this regard, the error value (RMSE) of the test data set in the best model of the conventional SRC models was 383.65 tons/day, which was reduced by using the NSGA II algorithm to 102.94 tons/day. In sum, using the NSGAII algorithm, we can optimize the coefficients of the SRC model, which is more efficient than the other conventional models.