مقايسه روش‌هاي تخمين رسوب معلق روزانه با استفاده از روش‌هاي منحني سنجه رسوب و شبكه عصبي (مطالعه موردي: ايستگاه قزاقلي، استان گلستان)

Comparison of daily suspended sediment load estimations by sediment rating curve and neural network models (Case Study: Ghazaghli Station in Golestan Province)

تخمين دقيق حجم رسوبات حمل شده به‌وسيله رودخانه‌ها در بسياري از پروژه‌هاي مديريت منابع آب داراي اهميت فراوان است. استفاده از روش‌هاي كلاسيك مانند منحني سنجه رسوب با توجه به رفتار غيرخطي متغيرهاي هيدرولوژيكي، از دقت كافي برخوردار نيستند. بنابراين روش‌هاي هوشمند مي‌تواند به‌عنوان ابزاري توانمند در مدل‌سازي متغيرهاي هيدرولوژيكي به‌كار گرفته شود. در اين پژوهش كارآيي شبكه عصبي پرسپترون چندلايه و تابع پايه شعاعي و نيز روش‌هاي مختلف سنجه رسوب شامل سالانه، مشابه هيدرولوژيكي، پرآب- كم‌آب، حد وسط، دبي كلاسه، وضعيت هيدروگراف و فصلي در برآورد بار معلق رسوب روزانه ايستگاه قزاقلي واقع در حوزه آب‌خيز گرگان‌رود مورد ارزيابي قرار گرفت. به اين منظور از آمار دبي و رسوب روزانه سال‌هاي 64-1361 استفاده شد، به اين ترتيب كه 3 سال از داده‌هاي روزانه (63-1361) براي آموزش و 1 سال از داده‌ها (سال 1364) براي آزمون مدل‌هاي ياد شده مورد استفاده قرار گرفت. نتايج نشان داد كه از بين روش‌هاي مختلف سنجه رسوب، روش دبي كلاسه و از بين شبكه‌هاي پرسپترون چندلايه و تابع پايه شعاعي، شبكه پرسپترون چندلايه با ورودي‌هاي دبي همان‌روز، دبي 1 و 2 روز قبل از دقت بالاتري برخوردار هستند. همچنين نتايج پژوهش نشان داد كه دقت روش شبكه‌ عصبي نسبت به روش‌هاي منحني سنجه رسوب بالاتر است.

The accurate estimation of sediments transported by rivers is very important in many water resource management projects. Due to nonlinear behavior of hydrologic variables, application of classic methods e.g. sediment rating curve (SRC) does not have adequate precision. Therefore, intelligent methods can be applied as an efficient tool in hydrologic parameters modeling. In this study, artificial neural networks (ANNs) such as multilayer perceptron (MLP) and radial basis function (RBF) and different SRC methods including annually, hydrologic similar, high and low flows, clusters average limit, classification of discharges, hydrograph condition and seasonal classification were carried out for daily suspended sediment load estimation in Ghazaghli station, located in Gorganroud watershed. For this reason, the measured daily suspended sediment load data during the period of 1982 to 1985 were used. Three years of data were used for training sets and 1 year for testing sets. The results show that, the classic discharge method and MLP which is used current streamflow, antecedent streamflow and two days of antecedent streamflow as input parameters are the best models among the various selected models. The results also show that the accuracy of neural networks methods is more than the SRC methods.