پیش‌بینی بار رسوبی معلق بر مبنای پارامترهای فیزیوگرافی حوضه

بار رسوبی معلق یکی از مهم‌ترین عناصر رودخانه‌ای است که علاوه بر تاثیر بر کیفیت آب، نقش موثری در مدیریت منابع آبی و سازه‌های احداثی بر روی این منابع دارد. پارامترهای فیزیوگرافی که بیانگر ویژگی‌های فیزیکی حوضه آبریز هستند می‌تواند به عنوان یک فاکتور تعیین کننده در میزان رسوب‌زایی حوضه آبریز مطرح گردد. روش‌های متعددی به منظور برآورد بار معلق رودخانه‌ها وجود دارد. از جمله این روش‌ها استفاده از مدل‌های داده‌کاوی می‌باشد که در حل مسایل هیدرولوژی رسوب بسیار پرکاربرد می‌باشد. لذا در این پژوهش با تلفیق مدل‌های داده‌کاوی و پارامترهای فیزیوگرافی، بار رسوب 30 حوضه آبریز در استان لرستان با دوره آماری 33 ساله برآورد گردید. به منظور بررسی اثر شاخص‌های مختلف فیزیوگرافی بر میزان برآورد رسوب در گام نخست دبی جریان به عنوان تنها ورودی مدل‌ها و در گام بعدی شاخص‌های مختلف فیزیوگرافی حوضه به عنوان ورودی‌های مدل‌های مختلف داده‌کاوی انتخاب گردید. در این مطالعه از پنج مدل داده‌کاوی از جمله شبکه عصبی مصنوعی، ماشین‌بردار پشتیبان تکاملی، درخت تصمیم، فرآیند گوسی و رگرسیون استفاده شد. نتایج نشان داد تمامی مدل‌ها از دقت قابل قبولی برخوردار بودند. در هر دو مجموعه داده، مدل ماشین‌بردار پشتیبان تکاملی دارای بهترین دقت بود. با به‌کارگیری شاخص‌های مورد اشاره دقت در تمامی مدل‌ها افزایش یافت به طوریکه در مدل ماشین‌بردار پشتیبان تکاملی میزان میانگین مربعات خطا از 6.74 به 3 کاهش یافت و ضریب همبستگی از 0.994 به 0.999 افزایش یافت. وزن‌دهی پارامترها نیز نشان داد که بیشترین وکمترین وزن به ترتیب مزبوط به شاخص‌ زبری و نسبت کشیدگی بوده است.

Estimation of Suspended Sediment Load based on Physiographic Parameters of the Watershed

Suspended sediment load is one of the most important river elements that, in addition to its impact on water quality, has an effective role in managing water resources and structures on these resources. Therefore, estimating the suspended load can be a great help in increasing the productivity of water resources and improving the efficiency of aquifers. Determining the exact and proper parameters that have an effective factor in the sedimentation rate of the catchment area has an effective role in increasing the accuracy of data mining models. Physiographic parameters that indicate the physical properties of the watershed can be considered as a determining factor in the extent of sedimentation of the catchment area. There are several methods to estimate the suspended load of rivers. One of these methods is the use of data mining models that are very useful in solving hydrologic problems. Therefore, in this research, by combining data mining models and sediment load physiographic parameters of 30 watersheds in Lorestan province with a statistical period of 33 years, in order to study the effect of different physiographic indices on sediment estimation in the first step of flow flow as the only input of models and in step Next, various field physiographic indices were selected as inputs of different data mining models. In this study, five data mining models including artificial neural network, evolutionary support vector machine, decision tree, Gaussian process and regression were used. All models have been well received.