مدلسازي رسوبات معلق رودخانه با استفاده از محاسبات نرم (مطالعه موردي: رودخانه دره رود)

Suspended Load Modeling of River using Soft Computing Techniques (Case Study: Dareh-rood River

جابه جايي و ته نشيني بار معلق رودخانه ها باعث بروز مشكلات زيادي از جمله رسوب گذاري در مخازن سدها، تغيير مسير رودخانه ها به دليل رسوب گذاري در بستر آنها، كاهش ظرفيت آبگذري آبراهه ها و تاسيسات انتقال آب و همچنين تغيير كيفيت آب به لحاظ مصارف شرب و كشاورزي مي شود. در اين پژوهش از مدل هاي فازي- عصبي تطبيقي (ANFIS)، برنامه ريزي بيان ژن (GEP) و رگرسيون بردار پشتيبان (SVR) جهت مدل سازي و پيش بيني ميزان رسوبات معلق حوضه آبريز درهرود در استان اردبيل استفاده شد. در اين راستا از داده هاي رسوب و دبي جريان ايستگاه هيدرومتري مشيران بر روي رودخانه درهرود (واقع در بالادست سد عمارت) استفاده شد. پس از آزمون هشت سناريوي مختلف توسط مدل SVR، الگوي تركيبي شامل مقادير دبي جريان در همان روز، دبي جريان و رسوب معلق در گام زماني قبل به عنوان بهترين الگو شناخته شد. الگوي مذكور براي مدل هاي ANFIS و GEP نيز به عنوان ورودي استفاده شد. نتايج بيانگر عملكرد قابل قبول مدل ها و برتري مدل SVR با بيشترين ضريب تعيين (0/97=R2)، كمترين ريشه ميانگين مربعات خطا ( ton/day17343=RMSE) و همچنين شاخص هاي نش-ساتكليف (0/97=NS) و ويلموت (0/98=WI) در مرحله صحت سنجي بود. علاوه بر آن، توزيع فراواني قدر مطلق خطاي پيش بيني و نمودار جعبه اي توزيع خطاي پيش بيني مدل هاي هوشمند نيز تاييد كننده عملكرد بهتر مدل SVR بود. ضمناً، كارآيي مدل ANFIS تا حدي بهتر از مدل GEP بود. ضرايب و توابع به كار رفته براي واسنجي مدل هاي هوشمند مورد استفاده در اين پژوهش مي تواند براي تخمين رسوبات معلق ايستگاه هاي مجاور فاقد آمار داراي شريط زمين ساختي و هيدرولوژيكي يكسان در سطح منطقه بسيار مفيد واقع شود.

The movement and deposition of the suspended load of rivers cause different problems; such as sedimentation in reservoirs، changing of river morphology based on sedimentation in the river bed، reducing the capacity of channels and water conveyance structures and changing of water quality for drinking and agricultural usage. In this study، adaptive neuro-fuzzy inference systems (ANFIS)، gene expression programming (GEP) and support vector regression (SVR) was utilized for modeling and forecasting of suspended load for Dareh-rood catchment in Ardabil province. For this purpose، water discharge and sediment load of Moshiran hydrometric station located on Dareh-rood River (upstream of Emarat dam) was used. After evaluation of different input combinations (i.e. 8 scenarios) using the SVR، finally the model whose inputs consist of current discharge and one pervious discharge and suspended load was selected as the best scenario. The mentioned input combination was applied for ANFIS and GEP models. The results indicated that the SVR model with the highest R2=0.97، the lowest RMSE=1734، NS=0.97 and WI=0.98 was superior to the other models during the validation phase. Furthermore، the frequency distribution and boxplots of forecasting errors of applied the datadriven models confirm the efficiency of the SVR model among others. Meanwhile، the performance of the ANFIS model was somewhat better than the GEP model. The coefficients and functions used to calibrate the intelligent models that utilized in this study can be very helpful in estimating the suspended sediments of ungagged nearby stations with the similar tectonic and hydrological conditions over the study region