شبیه‌سازی رسوب معلق رودخانه‌های کشور با استفاده از فناوری تلفیق مدل‌های هوشمند و سامانه مکانی متن‌باز، مطالعه موردی: ایستگاه هیدرومتری رازین، حوزه آبخیز رودخانه مزلقان در استان مرکزی

روابط بین پارامترهای کیفی آب رودخانه و فرایندهای فیزیکی، ژئوشیمیائی و بیولوژیکی انجام شده بین منابع حوضه (خاک، پوشش‌گیاهی، زمین‌شناسی، کاربری‌ اراضی و غیره)، متغیرهای هواشناسی (دما، بارش، ذوب‌ برف و غیره)، متغیر هیدرولوژیکی رودخانه (دبی) و همچنین دخالت‌های انسانی، اغلب بسیار پیچیده، غیر‌قطعی و غیرخطی بوده به نحوی که درک کامل آن‌ها را غیرممکن می‌سازد. در این شرایط، استفاده از هوش محاسباتی (نظیر شبکه‌های عصبی مصنوعی) ابزار مناسبی در شبیه‌سازی و برآورد متغیرهای کیفی آب رودخانه نظیر بار رسوب معلق محسوب می‌ شود. در پژوهش حاضر، با تلفیق کتابخانه‌های متن باز gis و مدل‌های شبکه عصبی مصنوعی (با ناظر و بدون ناظر)، سامانه مکانی هوشمندی، طراحی و کدنویسی شده است که می‌تواند در شرایط تک متغیره یا چند متغیره، رسوب معلق روزانه را برآورد کند. نتایج گرفته شده از به کارگیری این سامانه در حوزه آبخیز رودخانه مزلقان در محل ایستگاه هیدرومتری رازین نشان داد که این سامانه قادر است با کارائی و صحت‌سنجی مناسب (با ریشه میانگین مربعات خطا برابر 1033 تن در روز، میانگین قدر مطلق خطا 455 تن در روز و شاخص نشساتکلیف برابر 89/0 با داده‌های آزمون)، رسوب معلق ایستگاه مورد مطالعه را شبیه‌سازی کند. در مجموع، این سامانه می‌تواند به عنوان یک زیر ساخت نرم افزاری در مقیاس ملی، در شبیه‌سازی و مدیریت رسوب معلق کلیه ایستگاه‌های هیدرومتری کشور مورد استفاده سازمان‌های ذی ربط قرار گیرد.

Simulation of the suspended sediment of the country rivers using the technology of intelligent models and open source GIS system, case study: Razin Hydrometric Station, Mozlanghan Watershed, Markazi Province

Relationships between river water quality parameters and physical, geochemical and biological processes carried between basin resources (soil, vegetation, geology, land use, etc.), meteorological variables (temperature, precipitation, snowmelt, etc.), River hydrological variables (flow discharge), as well as human interventions are often very complex, nonlinear and non–deterministic in a way that makes their complete understanding impossible. In this situation, the use of computational intelligence (such as artificial neural networks) is a useful tool in simulating and estimating river water quality variables such as suspended sediment load. In the present study, by combining open source GIS libraries and neural network models (with and without supervisor), an intelligent GIS system has been designed and coded that can estimate daily suspended sediment load under univariate or multivariate conditions. The results of applying this system to Mazaljan River Watershed at Razin hydrometric station showed that this system is able to simulate suspended sediment load with proper performance and validation  (with root mean square error of 1033 tonday1, mean absolute error of 455 tonday1 and NashSutcliffe efficiency of 0.89 for the test data set). In general, this system can be used as a national infrastructure in the simulation and management of suspended sediment in all hydrometric stations in the country by relevant organizations.