| تعداد نشریات | 286 |
| تعداد نشریات سازمان | 84 |
| تعداد شماره‌ها | 2,846 |
| تعداد مقالات | 32,300 |
| تعداد مشاهده مقاله | 41,387,039 |
| تعداد دریافت فایل اصل مقاله | 18,562,156 |
پیش‌بینی رسوبات معلق با استفاده از مدل ترکیبی منحنی سنجه رسوب و شبکهی عصبی مصنوعی در ایستگاه نارون افجه | ||
| پژوهش های آبخیزداری | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 29 شهریور 1403 | ||
| نوع مقاله: پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/wmrj.2024.366243.1589 | ||
| نویسنده | ||
| گلاله غفاری* | ||
| استادیار بخش تحقیقات حفاظت خاک و آبخیزداری، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان کرمانشاه، ایران | ||
| چکیده | ||
| مقدمه روش‌های سنتی پیش‌بینی مانند منحنی‌های سنجه رسوب به دلیل عدم در نظر گرفتن تمامی پارامترهای مؤثر، دقت کافی ندارند. در این راستا، مدل‌های ترکیبی شامل منحنی‌های سنجه رسوب (SRC) و شبکه‌های عصبی مصنوعی (ANNs) بهعنوان روشی نوین برای پیش‌بینی دقیق‌تر غلظت رسوبات معلق مطرح شده‌اند. این مدل‌ها با توانایی یادگیری الگوهای پیچیده و غیرخطی، عملکرد بهمراتب بهتری نسبت به روش‌های سنتی ارائه می‌دهند. مطالعه حاضر باهدف توسعه و کاربرد مدل ترکیبی SRC-ANN برای پیش‌بینی غلظت رسوبات معلق انجامشده است. پیش‌بینی می‌شود این مدل با ترکیب نقاط قوت هر دو روش، دقت پیش‌بینی را بهطور قابلتوجهی افزایش دهد و در مدیریت بهینه منابع آب و عملکرد صحیح سازه‌های آبی یاری‌گر باشد. مواد و روشها در این مطالعه، مدل ترکیبی جدیدی متشکل از منحنی سنجه رسوب و شبکه عصبی مصنوعی برای پیش‌بینی دقیق‌تر غلظت رسوبات معلق در ایستگاه هیدرومتری نارون (افجه) ارائه می‌شود. برای این منظور، از داده‌های دبی جریان و رسوب معلق 222 نمونه طی دوره 50 ساله (1350 تا 1400) استفاده شد. 14 روش مختلف شامل 6 مدل منحنی سنجه رسوب، 6 مدل شبکه عصبی مصنوعی و 2 مدل ترکیبی برای شبیه‌سازی رسوبات معلق به کار گرفته شد و عملکرد هر روش با استفاده از معیارهای آماری نظیر ضریب تعیین (R2)، ضریب کارایی (ME) و میانگین درصد خطای نسبی (RME) مورد ارزیابی قرار گرفت. نتایج و بحث نتایج نشان داد که در بین روش‌های منحنی سنجه رسوب، روش حد وسط دسته‌ها با ضریب تعیین (R2) 84/0، ضریب کارایی (ME) 82/0 و میانگین درصد خطای نسبی (RME) 87/211، در بین روش‌های شبکه عصبی مصنوعی، روش CANFIS با ضریب کارایی (ME) 8123/0 و میانگین درصد خطای نسبی (RME) 72/248 شبیه‌سازی بسیار دقیق‌تری از وضعیت دبی رسوب مشاهدهشده را نسبت به سایر روشها ارائه داده بودند. درنهایت، بهمنظور بهبود نتایج پیش‌بینی‌ها از مدل‌های ترکیبی 1 و 2 استفاده شد. نتایج نشان داد که روش ترکیبی 1 با ضریب کارایی (ME) 8761/0 و میانگین درصد خطای نسبی (RME) 63/59 بهترین برآورد از رسوب معلق را ارائه دادهاند، بهگونهای که هم مقادیر دبی‌های اوج و هم مقادیر دبی‌های پایه را بسیار دقیق برآورد نموده است و بهعنوان دقیق‌ترین روشها برای پیش‌بینی رسوبات معلق شناختهشدهاند. این نتایج مهم نشان می‌دهند که استفاده از مدل ترکیبی 1 می‌تواند بهبود قابلتوجهی در دقت پیش‌بینی‌ها و همچنین تناسب بهتر با داده‌های مشاهدهشده داشته باشد. نتیجهگیری از بین روش‌های منحنی سنجه رسوب، روش منحنی سنجه رسوب حد وسط دسته‌ها به دلیل در نظر گرفتن توزیع داده‌ها و انعطاف‌پذیری، بهعنوان بهترین روش برای پیش‌بینی رسوب معلق معرفی شد. شبکه‌های عصبی مصنوعی نیز در شبیه‌سازی رسوبات معلق مربوط به دبی‌های پایه و نرمال عملکرد خوبی داشتند، اما در پیش‌بینی رسوبات معلق در زمان‌های سیلابی ضعیف‌تر عمل کرد. مدل ترکیبی 1 که از ترکیب روش‌های منحنی سنجه و شبکه عصبی مصنوعی استفاده می‌کند، دقیق‌ترین روش برای پیش‌بینی رسوب معلق شناخته شد. انتخاب روش نامناسب برای پیش‌بینی رسوبات می‌تواند منجر به نتایج نادرست شود. محققان بر انجام تحقیقات بیشتر و جمع‌آوری داده‌های همزمان غلظت رسوب و دبی جریان در ایستگاه‌های مختلف تأکید می‌کنند تا مدل‌سازی‌ها دقیق‌تر شود. همچنین بررسی تأثیر متغیرهای دیگر علاوه بر دبی جریان بر رسوب نیز ضروری است. استفاده از مدل‌های ترکیبی مانند مدل ارائهشده در این مطالعه، می‌تواند دقت پیش‌بینی رسوبات معلق را بهطور قابلتوجهی افزایش دهد و بهعنوان ابزاری مؤثر برای مدیریت و پیش‌بینی رسوبات معلق و درنهایت بهبود مدیریت منابع آب مورداستفاده قرار گیرد. توسعه و بهینه‌سازی روش‌های ترکیبی و همچنین استفاده از داده‌های بیشتر و متنوع‌تر ازجمله اقداماتی هستند که می‌توان برای افزایش دقت مدل‌ها و بهبود نتایج انجام داد. از بین روش‌های منحنی سنجه رسوب، روش منحنی سنجه رسوب حد وسط دسته‌ها به دلیل در نظر گرفتن توزیع داده‌ها و انعطاف‌پذیری، بهعنوان بهترین روش برای پیش‌بینی رسوب معلق معرفی شد. شبکه‌های عصبی مصنوعی نیز در شبیه‌سازی رسوبات معلق مربوط به دبی‌های پایه و نرمال عملکرد خوبی داشتند، اما در پیش‌بینی رسوبات معلق در زمان‌های سیلابی ضعیف‌تر عمل کرد. مدل ترکیبی 1 که از ترکیب روش‌های منحنی سنجه و شبکه عصبی مصنوعی استفاده می‌کند، دقیق‌ترین روش برای پیش‌بینی رسوب معلق شناخته شد. انتخاب روش نامناسب برای پیش‌بینی رسوبات می‌تواند منجر به نتایج نادرست شود. محققان بر انجام تحقیقات بیشتر و جمع‌آوری داده‌های همزمان غلظت رسوب و دبی جریان در ایستگاه‌های مختلف تأکید می‌کنند تا مدل‌سازی‌ها دقیق‌تر شود. همچنین بررسی تأثیر متغیرهای دیگر علاوه بر دبی جریان بر رسوب نیز ضروری است. استفاده از مدل‌های ترکیبی مانند مدل ارائهشده در این مطالعه، می‌تواند دقت پیش‌بینی رسوبات معلق را بهطور قابلتوجهی افزایش دهد و بهعنوان ابزاری مؤثر برای مدیریت و پیش‌بینی رسوبات معلق و درنهایت بهبود مدیریت منابع آب مورداستفاده قرار گیرد. توسعه و بهینه‌سازی روش‌های ترکیبی و همچنین استفاده از داده‌های بیشتر و متنوع‌تر ازجمله اقداماتی هستند که می‌توان برای افزایش دقت مدل‌ها و بهبود نتایج انجام داد. | ||
| کلیدواژه‌ها | ||
| ایستگاه هیدرومتری؛ دبی؛ شبیه سازی؛ غلظت رسوب؛ مدلسازی | ||
| عنوان مقاله [English] | ||
| Predicting Suspended Sediment Using a Hybrid Model of Sediment Rating Curve and Artificial Neural Network in Naroun Afjeh Station | ||
| نویسندگان [English] | ||
| Golaleh Ghaffari | ||
| Assistant Professor, Department of Soil Conservation and Watershed Management, Research and Education Center for Agriculture and Natural Resources, Kermanshah Province, Iran | ||
| چکیده [English] | ||
| Introduction Suspended sediment concentration (SSC) is a crucial parameter in surface water resource and riverine stability. However, traditional SSC prediction methods, such as sediment rating curves (SRCs), lack accuracy due to their inability to consider all influential factors. Consequently, hybrid models incorporating SRCs and artificial neural networks (ANNs) have emerged as a promising approach for enhancing SSC prediction accuracy. These models, with their ability to use complex nonlinear patterns, outperform traditional methods. This study aims to develop and implement an SRC-ANN hybrid model for SSC prediction. The proposed model is anticipated to significantly improve prediction accuracy by combining the strengths of both methods, aiding in optimal water resource management and the proper functioning of hydraulic structures. Materials and methods This research introduces a novel hybrid model that integrates sediment rating curves (SRCs) and artificial neural networks (ANNs) to enhance the accuracy of suspended sediment prediction in the Naroun (Afejeh) hydrometric station. For this purpose, data on flow rate and suspended sediment for 222 samples was collected over a 50-years period (1971 to 2021). Fourteen different methods, including six sediment rating curve methods, six artificial neural network methods, and two hybrid methods, were used to simulate suspended sediment. The performance of each method was evaluated using statistical criteria such as coefficient of determination (R2), efficiency coefficient (ME), and mean relative error percentage (RME). Results and discussion The results showed that among the sediment rating curve methods, the Median Segment Method with a coefficient of determination (R2) of 0.840, a modeling efficiency (ME) of 0.820, and a mean relative error (RME) of 0.211, and among the artificial neural network methods, the CANFIS method with a modeling efficiency (ME) of 0.8123 and a mean relative error (RME) of 0.248 provided a much more accurate simulation of the observed sediment flow status than other methods. Finally, in order to improve the prediction results, hybrid models 1 and 2 were used. The results showed that hybrid method 1, with a modeling efficiency (ME) of 0.8761 and a mean relative error (RME) of 0.06359 provided the best estimate of suspended sediment, accurately estimating both peak and base flow values, and this was identified as the most accurate method for suspended sediment prediction. These results highlight the potential of using hybrid model 1 to significantly improve prediction accuracy and to better fit the observed data. Conclusion The Median Segment Method (MSM) was identified as the most accurate method for predicting suspended sediment due to its consideration of data distribution and flexibility. Artificial neural networks (ANNs) also performed well in simulating sediment for base and normal flows but were weaker in predicting sediment during flood events. Hybrid model 1, which combined the MSM and ANN methods, was found to be the most accurate method for suspended sediment prediction. Improper selection of a sediment prediction method can lead to inaccurate results. Researchers emphasize the need for further research and collecting simultaneous sediment concentration and flow data at different stations to improve modeling accuracy. Additionally, investigating the influence of variables other than flow on sediment is necessary. Utilizing hybrid models like the one presented in this study can significantly enhance the accuracy of suspended sediment prediction and serve as an effective tool for managing and predicting suspended sediment, ultimately leading to improved water resource management. Further development and optimization of hybrid methods, along with the utilization of more and more diverse data, are among the actions that can be taken to enhance model accuracy and improve outcomes. The Median Segment Method (MSM) was identified as the most accurate method for predicting suspended sediment due to its consideration of data distribution and flexibility. Artificial neural networks (ANNs) also performed well in simulating sediment for base and normal flows but were weaker in predicting sediment during flood events. Hybrid model 1, which combined the MSM and ANN methods, was found to be the most accurate method for suspended sediment prediction. Improper selection of a sediment prediction method can lead to inaccurate results. Researchers emphasize the need for further research and collecting simultaneous sediment concentration and flow data at different stations to improve modeling accuracy. Additionally, investigating the influence of variables other than flow on sediment is necessary. Utilizing hybrid models like the one presented in this study can significantly enhance the accuracy of suspended sediment prediction and serve as an effective tool for managing and predicting suspended sediment, ultimately leading to improved water resource management. Further development and optimization of hybrid methods, along with the utilization of more and more diverse data, are among the actions that can be taken to enhance model accuracy and improve outcomes. | ||
| کلیدواژه‌ها [English] | ||
| Discharge, Hydrometric station, Modeling, Sediment concentration, Simulation | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 47 |
||