مقایسه کارایی منحنی سنجه ‌رسوب و مدل ‌های یادگیری در برآورد رسوب معلق رودخانه‌های کارستی (مطالعه موردی: ایستگاه‌های هیدرومتری حوضه‌های خرم‌آباد، الشتر و بیرانشهر)

مقدمه: انتقال رسوب توسط جریان های سطحی یکی از فرآیندهای اولیه است که مسئول تغییر شکل سطح زمین می باشد. روی زمین این فرآیند به طور گسترده در قالب سیستم های زهکشی رودخانه ها و رسوبات آبرفتی بیان می شود که بر ژئومورفولوژی مناطق وسیعی از سطح زمین اثر دارند و مسئول جریان رسوب از خشکی به اقیانوس ها هستند. یکی از مهم ترین مشکلاتی که مخزن ذخیره سدها را تهدید می کند، ورود رسوبات است. به دلیل مشکلات مختلف، تخمین حجم رسوبات فرآیندی پیچیده است؛ بنابراین روش هایی توسط محققان برای حل این مشکل ابداع شده اند. مدل‌سازی بار رسوب معلق موضوع مهمی برای تصمیم‌گیرندگان در سطح حوضه است. مدل سازی دقیق و مطمئن بار رسوب معلق یکی از موضوعات مهم برای برنامه ریزی، مدیریت و طراحی سازه های ذخیره آب در شبکه زهکشی است. لذا هدف این مطالعه مقایسه کارایی منحنی سنجه‌رسوب و الگوریتم‌های یادگیری ماشین برای تخمین بار رسوب معلق در رودخانه‌های کارستی در ایستگاه های هیدرومتری بهرام جو، چم انجیر، سراب صیدعلی و کاکارضا، استان لرستان، ایران بود. مواد و روش ها : در این مطالعه منحنی سنجه‌رسوب و پنج مدل، ماشین بردار پشتیبان با کرنل rbf  (svm-rbf)، ماشین بردار پشتیبان با کرنل  puk  (svm-puk)، فرآیندهای گاوسی با کرنل puk (gp-puk)، فرآیندهای گاوسی با کرنل rbf (gp-rbf)،  m5p، reep tree و جنگل تصادفی (rf) برای پیش بینی بار رسوب معلق در حوزه آبخیز کشکان، ایران مورداستفاده قرار گرفتند. ایستگاه های چم انجیر، بهرام جو، سراب صیدعلی و کاکارضا برای بررسی در این پژوهش انتخاب شدند. داده های دما، باران و دبی به عنوان پارامترهای ورودی و بار رسوب معلق به‌عنوان پارامتر خروجی استفاده شدند. دوره آماری داده ها 20 سال (2001-2021) انتخاب شده اند. مجموعه داده‌های این تحقیق شامل دما، باران، دبی و بار رسوب معلق سه زیرحوضه است که 70 درصد داده‌ها برای آموزش و 30 درصد داده‌ها برای مرحله آزمایش استفاده شدند. درنهایت، دقت مدل‌ها با استفاده از سه پارامتر ارزیابی عملکرد، ضریب همبستگی، ریشه میانگین مربعات خطا و میانگین خطای مطلق مورد ارزیابی قرار گرفت. نتایج و بحث: نتایج نشان داد که مدل های svm-puk، gp-puk، gp-rbf، m5p، reep tree و rf دارای کارایی بیشتری نسبت به روش منحنی سنجه‌رسوب بودند، زیرا از تکنیک‌های غیرخطی برای بازسازی داده‌ها استفاده می کنند. علاوه بر این، از بین همه مدل‌ها، مدل m5p که از داده‌های تجزیه‌شده استفاده می‌کرد و ویژگی‌های دینامیکی داده‌های سری زمانی بار رسوب معلق غیرخطی و غیرثابت را به تصویر می‌کشید، کارایی بهتر و بالاتری در تخمین رسوب معلق نسبت به دیگر مدل ها از خود نشان داد. بهترین ضریب تبیین نتایج منحنی سنجه رسوب برابر 0.5941 بود. مدل m5p بهترین ضریب تبیین را حدود 0.89 را نشان داد که کارایی بالاتری نست به منحنی سنجه رسوب بود. اگرچه این مدل نقاط اوج رسوب معلق را بهتر از src نشان داد، اما باز هم بار رسوب را بیش از حد مشاهداتی تخمین می‌زد و نمی‌توانست مقادیر اوج رسوب معلق را که برای اهداف طراحی از اهمیت بالایی برخوردار هستند، را به طور دقیق نشان دهد. نتیجه گیری: رسوبات حمل شده توسط آب مشکلات جدی ایجاد می کند، ازجمله عمر مخزن سدها را کوتاه می کنند و ظرفیت تخلیه کانال را به ویژه در انتهایی رودخانه ها کاهش می دهند. بنابراین، مدیریت رسوب قانون طلایی در مهندسی رودخانه است که تلاش و انرژی زیادی برای انجام آن صرف می شود. یکی از جنبه های مهم مدیریت رسوب، تخمین رسوب است که بیشتر به‌صورت معلق در رودخانه ها و دیگر توده های آبی یافت می شود. این تحقیق بر مقایسه مدل های مختلف تخمین رسوب معلق در رودخانه‌ها انجام شده است. این تحقیق شامل روش سنتی، یعنی منحنی سنجه‌رسوب و الگوریتم های یادگیری، یعنی svm-puk، gp-puk، gp-rbf، m5p، reep tree و rf است. نتایج این مطالعه ارائه اطلاعات علمی برای پیش‌بینی بار رسوب معلق است و الگوریتم های یادگیری می‌توانند یک تکنیک کارآمد برای شبیه‌سازی سری‌های زمانی بار رسوب معلق باشند زیرا ویژگی‌های کلیدی تعبیه‌شده در میزان بار رسوب معلق را استخراج می‌کنند. در نهایت نتایج این تحقیق نشان داد که مدل m5p در پیش‌بینی میزان رسوب معلق در حوضه‌های خرم‌آباد، بیرانشهر و الشتر دارای کارایی بالایی است.

comparison of the efficiency of sediment rating curve and learning models for estimating suspended sediment load in karst rivers (case study: hydrometric stations of khorram abad, alshatar and biranshahr watersheds)

introduction: sediment transport by surface flows is one of the primary processes responsible for reshaping the earth’s surface. this process is widely expressed in the shape of river drainage systems and their alluvial deposits, which dominate the geomorphology of large areas of the earth’s surface and are responsible for the majority of sediment from land to oceans. one of the most important problems threatening dams is the sediment inputs to the dam reservoir. due to various problems, estimating the volume of sediments is a complicated process. so, some methods have been created by researchers to overcome these problems. modeling of suspended sediment load (ssl) is an important subject for decision-makers in the catchment. accurate and reliable modeling of ssl is one of the important subjects for planning, managing, and designing soil and water structures in the drainage networks. the purpose of this study was to compare the efficiency of sediment rating curve (src) and machine learning algorithms (mla) for estimating ssl in karst rivers in bahram joo, cham anjir, sarab seyd ali, and kakareza hydrometric stations in lorestan province, iran.