برآورد غلظت رسوب معلق روزانه با استفاده از شبکه عصبی مصنوعی و خوشه‌بندی داده‌ها به روش نگاشت خود سازمان‌ده (مطالعه موردی: ایستگاه هیدرومتری سیرا - رودخانه کرج)

امروزه برآورد دقیق بار رسوب معلق رودخانه ای از جنبه های مختلف مهندسی منابع آب، مسائل زیست محیطی و کیفیت آب از اهمیت ویژه ای برخوردار است. در این راستا، مدل های هیدرولوژیکی حوزه، به دلیل عوامل متعدد تاثیرگذار ثابت و متغیر، کارایی مناسبی در برآورد میزان رسوب معلق از خود نشان نداده اند. همچنین اغلب مطالعات شبیه سازی برآورد رسوب معلق، تنها بر مبنای دبی جریان خروجی حوزه استوار است که نتایج حاصله نیز، گواه بر عدم کارآیی مطلوب آنها است. این در حالی است که عوامل تاثیرگذاری همچون نوع بارش، فصل سال و شکل هیدروگراف جریان که نقش عمده ای در این فرآیند ایفا می نمایند در شبیه سازی برآورد میزان رسوب معلق نادیده گرفته شده اند. در پژوهش حاضر، از روش شبکه عصبی پرسپترون چند لایه و داده های آب و هواشناسی (دبی و غلظت رسوب معلق روزانه جریان، متوسط بارش و دمای روزانه) حوزه آبخیز سد کرج در یک دوره زمانی 30 ساله (1360 تا 1390) به منظور برآورد غلظت رسوب معلق روزانه ایستگاه هیدرومتری سیرا استفاده شده است. در این روش، با توجه به نقش تغییرات فصلی و وضعیت جریان در تولید و انتقال رسوب حوزه، ابتدا بر اساس سه متغیر رژیم بارش، وضعیت هیدروگراف جریان و نوع رواناب حاصل از بارش، داده های مورد استفاده به 5 گروه تفکیک و سپس برای هر گروه، مدل جداگانه ای طراحی گردید. همچنین به منظور افزایش قدرت تعمیم دهی مدل ها، از شبکه عصبی نگاشت خود سازمان ده ( som ) جهت خوشه بندی و از شاخص سیلهوت، در تعیین تعداد بهینه خوشه ها استفاده شد. نتایج پژوهش نشان داد که استفاده از متغیرهای بارش و دمای روزانه، به همراه دبی جریان و تفکیک زمانی داده ها، نقش مهمی در افزایش دقت برآورد رسوب رودخانه داشته است. در این رابطه، بیشترین خطای محاسبه شده در بین مدل ها زمانی است که برای تمامی فصول سال، تنها از یک مدل واحد، جهت برازش به داده ها استفاده می گردد. نتایج این پژوهش می تواند به عنوان الگوئی مناسب در برآورد رسوب معلق سایر رودخانه های کشور مورد استفاده قرار گیرد.

Estimation of Daily Suspended Sediment Concentration Using Artificial Neural Networks and Data Clustering by Self-Organizing Map (Case Study: Sierra Hydrometry Station- Karaj Dam Watershed)

Nowadays, the accurate estimation of rivers suspended sediment load (SSL), from various aspects, such as water resources engineering, environmental issues, water quality and so on is important. In this regard, because of various roles of fixed and dynamic variables of watersheds, the watershed hydrological models have not showen a proper efficiency in statimation of SSL. Also, the most SSL studies are based on only flow discharge variable whereas the results of the present study have proved that the efficiency of these modeles is very poor. On the other hands, the parameters such as rainfall type, year seasons and flow hydrograph shape have important role in watershed sediment yield that were ignored in the most SSL simulations. In the present study, multi layers perceptron neural network and hydrometeorological data (daily flow discharge, suspended sediment concentration, daily rainfall and temperature) of Karaj dam watershed in a 30year period (1981 to 2011) were used to estimate daily suspended sediment concentration of Sierra station. Due to the role of seasonal changes and flow conditions in sediment yield and sediment transport of the watershed, based on rainfall regime, hydrograph condition and runoff type, the data used in this study were first seperated into 5 groups and then for each group, a separate model was designed. In order to increase the generalization ability of the neural network models, selforganizing map (SOM) and Silhouette coefficient were used for data clustering and determination of the optimal number of clusters respectively. The research results showed that the use of daily precipitation and temperature variables along with flow discharge and data separating based on watershed time and hydro climatic conditions has had an important role in increasing the accurate estimation of the river sediment. In this regard, among the models, the maximum calculated error is when only a single model is used for all year seasons. The results of this study can be used as a proper model for estimation of suspended sediment load of other country rivers.