بررسی اثر مقیاس زمانی (روزانه، ماهانه و سالانه) در پیش‌بینی بار رسوب معلق

تعیین بار رسوبی معلق رودخانه‌ها یکی از پروژه‌های مهم مهندسی رودخانه می‌باشد. پیش‌بینی بار رسوبی معلق کمک شایانی در زمینه مدیریت منابع آبی خواهد نمود. سوال اصلی در این تحقیق بررسی نقش انواع داده‌های روزانه، ماهانه و سالانه در برآورد بار رسوبی با استفاده از مدل‌های مبتنی بر یادگیری ماشین است. بدین منظور از آمار بار معلق در سه مقیاس زمانی روزانه، ماهانه و سالانه ایستگاه هیدرومتری اوهایو واقع در ایالات متحده آمریکا در فاصله سال‌های 1992 تا 2014 استفاده گردید. با هدف انتخاب مناسب‌ترین مدل، مدل‌های شبکه عصبی مصنوعی پس انتشار خطا و تابع پایه‌ی شعاعی، رگرسیون خطی، k نزدیک‌ترین همسایه، درخت تصمیم m5، فرآیند گوسی، ماشین‌بردار پشتیبان و ماشین‌بردار پشتیبان تکاملی اجرا و مورد ارزیابی قرار گرفتند. نتایج حاصل از این تـحقیق نشان داد که بـرای داده‌های روزانه، مـدل k نزدیک‌ترین همسایـه با 28/5=rmse؛ برای داده‌های ماهانه مدل فرآیند گوسی با 7/8=rmse و برای داده‌های سالانه مدل فرآیند گوسی با مقدار 2/7=rmse مناسب‌ترین مدل جهت پیش­بینی بار رسوبی معلق بوده‌اند. همچنین مقایسه مقادیر ارزیابی مدل‌ها حاکی از آن‌ است که پیش‌بینی داده‌های سالانه نسبت به ماهانه و روزانه از دقت بیشتری برخوردار هستند.

The Effects of the Daily, Monthly, and Annual Time Scales on the Suspended Sediment Load Prediction

The main purpose of this study is an inquiry into the functions of daily, monthly, and annual scales of sediment data in their estimations using machine learning models. For this purpose, suspended sediment load data for three temporal, daily, monthly, and annual, scales at Ohio station, located in the USA, between the years of 1992 and 2014 were selected. In order to choose the best model, some machine learning base models such as artificial neural networks,  error back propagation as well as radial basis function, knearest neighbor, M5 decision tree, Gaussian process, support vector machine (SVR), evolutionary support vector machine (ESVM), and linear regression (LR)  models were run and evaluated. The results of this study showed that the knearest neighbor with RMSE=5.28, the data Gaussian process model with RMSE=8.7, and the Gaussian process model with a RMSE=7.2 were respectively the best models for the daily, monthly, and annual data. The comparison of the models' assessment also suggested that the predicted annual data were more accurate than the monthly and daily data.