بررسي اثر مقياس زماني (روزانه، ماهانه و سالانه) در پيش‌بيني بار رسوب معلق

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

تعيين بار رسوبي معلق رودخانه‌ها يكي از پروژه‌هاي مهم مهندسي رودخانه مي‌باشد. پيش‌بيني بار رسوبي معلق كمك شاياني در زمينه مديريت منابع آبي خواهد نمود. سوال اصلي در اين تحقيق بررسي نقش انواع داده‌هاي روزانه، ماهانه و سالانه در برآورد بار رسوبي با استفاده از مدل‌هاي مبتني بر يادگيري ماشين است. بدين منظور از آمار بار معلق در سه مقياس زماني روزانه، ماهانه و سالانه ايستگاه هيدرومتري اوهايو واقع در ايالات متحده آمريكا در فاصله سال‌هاي 1992 تا 2014 استفاده گرديد. با هدف انتخاب مناسب‌ترين مدل، مدل‌هاي شبكه عصبي مصنوعي پس انتشار خطا و تابع پايه‌ي شعاعي، رگرسيون خطي، k نزديك‌ترين همسايه، درخت تصميم M5، فرآيند گوسي، ماشين‌بردار پشتيبان و ماشين‌بردار پشتيبان تكاملي اجرا و مورد ارزيابي قرار گرفتند. نتايج حاصل از اين تـحقيق نشان داد كه بـراي داده‌هاي روزانه، مـدل k نزديك‌ترين همسايـه با 5/28=RMSE؛ براي داده‌هاي ماهانه مدل فرآيند گوسي با ۸/۷=RMSE و براي داده‌هاي سالانه مدل فرآيند گوسي با مقدار ۷/۲=RMSE مناسب‌ترين مدل جهت پيش ­بيني بار رسوبي معلق بوده‌اند. همچنين مقايسه مقادير ارزيابي مدل‌ها حاكي از آن‌ است كه پيش‌بيني داده‌هاي سالانه نسبت به ماهانه و روزانه از دقت بيشتري برخوردار هستند.

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, k-nearest 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 k-nearest 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.