ارائه يك رويكرد نوين در افزايش كارايي مدل‌ منحني سنجه رسوب در برآو رد بار رسوب معلق حوزه‌هاي آبخيز (مطالعه موردي: رودخانه مهاباد چاي، استان آذربايجان غربي)

برآورد صحيح مقدار رسوب معلق نقش مهمي در طراحي بهينه سازه‌هاي آبي، مطالعات فرسايش و رسوب و مطالعات كيفي آب دارد. منحني سنجه رسوب، يك مدل رگرسيوني مرسوم و شناخته‌شده در اين زمينه بوده، بااين‌حال به دليل تبديلات لگاريتمي در واسنجي اين مدل، مقادير برآوردي آن اغلب كمتر از مقدار واقعي است. در پژوهش حاضر، با استفاده از داده‌هاي دبي لحظه‌اي جريان و بار رسوب معلق ايستگاه هيدرومتري بيطاس در رودخانه مهاباد چاي، مدل منحني سنجه رسوب واسنجي و پس‌ازآن، با استفاده از الگوريتم ژنتيك چند هدفه با مرتب‌سازي نامغلوب (NSGA-II)، ضرايب اين مدل مجدداً بهينه شد. اين الگوريتم يك‌روال خودكار بوده و مي‌تواند توابع هدف مختلفي را در فرآيند واسنجي به­طور هم‌زمان مورد استفاده قرار دهد. در اين رابطه در فرايند واسنجي مدل از چهار تابع هدفRMSE ،MAE ، NSE و LOGE به­طور دوبه‌دو استفاده گرديد كه با توجه به نتايج ارزيابي مدل، توابع هدف NSE و LOGE به‌عنوان بهترين توابع هدف جهت بهينه‌سازي مدل انتخاب شدند. همچنين به‌منظور افزايش قدرت تعميم دهي مدل‌ها، از شبكه عصبي بدون ناظر نگاشت خودسازمان‌ده (SOM) براي خوشه‌بندي داده‌ها و تشكيل دو مجموعه داده همگن (مجموعه‌هاي واسنجي و ارزيابي) به نسبت 70 و 30 درصد استفاده شد. نتايج نشان داد كه استفاده از الگوريتم NSGA-II سبب افزايش كارايي مدل شده به‌نحوي‌كه نتايج آن، از نتايج ديگر مدل‌هاي مرسوم منحني سنجه رسوب (نظير منحني سنجه حد وسط دسته‌ها، منحني سنجه‌هاي تصحيح‌شده با ضرايب تصحيحي) بهتر است. در اين رابطه، مقدار خطاي (RMSE) داده‌هاي آزمون در بهترين مدل منحني سنجه، 65/383 تن در روز محاسبه گرديد كه با استفاده از الگوريتم NSGA-II به 94/102 تن در روز كاهش يافت. درمجموع، با استفاده از الگوريتم NSGA-II مي‌توان ضرايب مدل منحني سنجه رسوب را به‌نحوي‌ بهينه نمود كه كارايي آن بيشتر از ساير مدل‌هاي سنتي گردد.

The estimation of the correct amount of suspended sediment has an important role in the optimal design of water structures, erosion studies and water quality studies. The sediment rating curve (SRC) is a conventional and well-known regression model. However, due to logarithmic transformations in calibrating this model, its estimated values are often less than actual values. In the present study, using the instantaneous flow discharge and suspended sediment load of Beytas hydrometric station in the Mahabad-Chai River, the SRC model was calibrated, and then using Non-dominated Sorting Genetic Algorithm II (NSGA-II), the coefficients of this model optimized again. This algorithm is an automatic procedure and can use different objective functions in the calibration process simultaneously. In this regard, in the calibration process of the model, four objective functions RMSE, MAE, NSE, and LOGE were used as pairwise combinations. According to the results of the model evaluation, the NSE and LOGE objective functions were selected as the best objective functions for optimization of the model. In order to increase the power of the model's generalization, the self-organizing map (SOM) neural network was used to cluster data and form two homogeneous data sets (calibration and evaluation sets) of and respectively. The results showed that the use of the NSGA II algorithm resulted in improved model efficiency so that the results are much more favorable than the other results of conventional SRC models (such as the rating curve of mean load within discharge classes, SRC models corrected by correction factors). In this regard, the error value (RMSE) of the test data set in the best model of the conventional SRC models was . tons/day, which was reduced by using the NSGA II algorithm to . tons/day. In sum, using the NSGA-II algorithm, we can optimize the coefficients of the SRC model, which is more efficient than the other conventional models.