محمودرضا طباطبایی؛ امین صالح پور جم؛ جمال مصفایی
چکیده
مقدمهچرخه فرسایش خاک، شامل برداشت، حمل و رسوبگذاری که رسوبدهی حوزه‌های آبخیز را کنترل می‌کند، شامل مجموعه‌ای از فرایندهای پیچیده و به شدت غیر‌خطی است. از سوی دیگر، عوامل تاثیرگذار در رسوبدهی حوزه‌های آبخیز بسیار متنوع بوده و با توجه به شرایط خاص اقلیمی، خاکشناسی، پوشش گیاهی، زمین‌شناسی، توپوگرافی و غیره در هر حوضه، وزن و ...
بیشتر
مقدمهچرخه فرسایش خاک، شامل برداشت، حمل و رسوبگذاری که رسوبدهی حوزه‌های آبخیز را کنترل می‌کند، شامل مجموعه‌ای از فرایندهای پیچیده و به شدت غیر‌خطی است. از سوی دیگر، عوامل تاثیرگذار در رسوبدهی حوزه‌های آبخیز بسیار متنوع بوده و با توجه به شرایط خاص اقلیمی، خاکشناسی، پوشش گیاهی، زمین‌شناسی، توپوگرافی و غیره در هر حوضه، وزن و نقش هر یک از عوامل یاد شده در تولید رسوب بسیار متفاوت است. تعیین و اندازه‌گیری دقیق این عوامل و ایجاد رابطه‌های ریاضی بین آنها اغلب مشکل، پرهزینه، زمانبر و با خطا همراه بوده است. این در حالی است که با استفاده از مدل‌های مبتنی بر هوش محاسباتی و به‌کارگیری تعداد محدودی از متغیرهای دینامیک حوضه، می‌توان رفتار حوزه آبخیز را در تولید رسوب به خوبی شبیه‌سازی کرد. صرف‌نظر از نوع مدل‌های هوشمند، در اغلب پژوهش‌های انجام شده (به‌ویژه در تحقیقات داخلی)، شبیه‌سازی رسوب معلق به‌طور عمده، بر پایه متغیر دبی جریان بوده است و به نقش متغیرهایی نظیر بارش (به‌ویژه بارش اخذ شده از تصاویر ماهوارهای) که در رسوبدهی حوضه‌ها موثرند، کمتر توجه شده است. علاوه‌بر بارش، چولگی داده‌های رسوب‌سنجی نیز از جمله مسایلی است که عدم شناخت و توجه به آن سبب کاهش کارایی مدل‌های برآوردگر خواهد شد. در پژوهش حاضر، نقش متغیر بارش روزانه اخذ شده از ماهواره CHIRPS در شبیه‌سازی رسوب معلق رودخانه قرهچای مورد بررسی قرار گرفته است. مواد و روش‌هابه‌منظور شبیه‌سازی غلظت رسوب معلق روزانه رودخانه قرهچای در محل ایستگاه آب‌سنجی رامیان در استان گلستان، از شبکه عصبی مصنوعی پرسپترون چند لایه استفاده شد. به این منظور، از متغیرهای دبی جریان و دبی جریان پیشین در مقیاس‌های لحظه‌ای و روزانه و همچنین، متوسط بارش روزانه و پیشین حوضه اخذ شده از ماهواره CHIRPS برای یک دوره آماری 37 ساله (1396-1359) به‌عنوان متغیرهای ورودی مدل، استفاده شد. جهت افزایش قدرت تعمیمدهی مدل‌ها، از شبکه عصبی نگاشت خود سازمانده (برای خوشه‌بندی داده‌ها) و به‌منظور یافتن بهترین ترکیب متغیرهای ورودی، از آزمون گاما استفاده شد. در راستای افزایش کارایی آموزش شبکه، انواع توابع فعالسازی و زیان و همچنین، الگوریتم جلوگیری از بیش برازش استفاده شد. به‌منظور بررسی تاثیر به‌کارگیری توابع فعالسازی و زیان در برآورد رسوب معلق، سناریوهای مختلفی در نظر گرفته شد که در مجموع منجر به ساخت نه مدل شد. پس از آن، با استفاده از شاخص‌های صحت‌سنجی، میزان کارایی مدل‌ها در شبیه‌سازی رسوب معلق مورد بررسی و مقایسه قرار گرفت و سپس مدل برتر انتخاب شد. نتایج و بحثنتایج پژوهش حاضر، نشان داد که از بین مدل‌های مختلف، مدل شبکه عصبی با تابع فعالسازی Huber و تابع زیان ReLU، با داشتن میانگین قدر مطلق خطا برابر 368 میلی‌گرم در لیتر، ریشه میانگین مربعات خطا برابر 597 میلی‌گرم در لیتر، ضریب ناش-ساتکلیف 0.87 و درصد اریبی 2.2- درصد، به‌عنوان مدل برتر انتخاب شد. نتایج همچنین نشان داد که استفاده از متغیر بارش، به‌عنوان یکی از عوامل مهم در ایجاد فرسایش و انتقال رسوب حوضه، سبب بهبود کارایی مدل‌ها شده است. لذا با توجه به سهولت استفاده از داده‌های بارش ماهواره CHIRPS، می‌توان در شبیه‌سازی رسوب معلق رودخانه‌ها، از این داده نیز به همراه سایر متغیرهای پیشبینی کننده استفاده شود. نتیجه‌گیریدر شبیه‌سازی رسوب معلق، اغلب از متغیر دبی جریان به‌عنوان تنها متغیر پیشبینی کننده رسوب معلق استفاده می‌شود، این در حالی است که در حوضه‌هایی با رژیم‌های بارانی، یا بارانی-برفی، نقش بارش در تولید رواناب‌های سطحی و فرسایش خاک بسیار با اهمیت بوده است و نقش مهمی در تولید و انتقال رسوب حوضه دارد. اگرچه استفاده از داده‌های بارش اخذ شده از ایستگاه‌های باران‌سنجی زمینی، نقش موثری در افزایش کارایی مدل‌های داده مبنا در برآورد رسوب معلق داشته است، با این حال، تهیه صدها لایه مکانی توزیعی بارش روزانه از داده‌های نقطه‌ای ایستگاه‌های زمینی، استفاده از این متغیر را در شبیه‌سازی رسوب معلق حوضه با مشکلات فراوان (نظیر کمبود یا نامناسب بودن توزیع مکانی ایستگاه‌های باران‌سنجی، نواقص آماری، به‌کارگیری روش‌های میان‌یابی نامناسب و زمانبر بودن انجام محاسبات) روبهرو ساخته است. لذا، در عمل، اغلب از متغیر دبی جریان رودخانه به‌عنوان متغیر پیشبینی کننده رسوب استفاده شده و کمتر از بارش استفاده می‌شود. یکی از راه‌حلهای برون‌رفت از مشکل یاد شده که در پژوهش حاضر به آن پرداخته شد، استفاده از داده‌های ماهوارهای CHIRPS است که برای اولین بار در این پژوهش مورد بررسی قرار گرفت. این داده‌ها از سال 1981 میلادی در دسترس است و به سادگی می‌تواند برای شبیه‌سازی رسوب معلق یا دیگر کاربردهای مرتبط با حوزه‌های آبخیز مورد استفاده قرار گیرد. نکته مهم دیگر که لازم است در شبیه‌سازی رسوب معلق به آن توجه شود، وجود چولگی زیاد در داده‌های رسوب‌سنجی بوده (داده‌های رسوب معلق و دبی جریان) که عدم توجه به آن در فرایند آموزش (یا واسنجی) و آزمون مدل‌ها منجر به ساخت مدل‌های ضعیف به لحاظ کارایی و وجود عدم قطعیت در صحت نتایج آنها خواهد شد. در این رابطه، لازم است از تبدیل‌های لگاریتمی و یا توابع مناسب فعالسازی و زیان در فرایند آموزش استفاده شود که در این پژوهش به‌ترتیب دو تابع ReLU و Huber پیشنهاد شد. از نکات مهم دیگر، توجه به قدرت تعمیمدهی مدل‌های داده مبنا است که تا اندازه زیادی وابسته به داده‌های استفاده شده در فرایند واسنجی یا آموزش آنها است. این داده‌ها باید به‌گونه‌ای انتخاب شوند که ضمن آن‌که معرف داده‌ها در کل دوره آماری هستند، با دیگر مجموعه‌های داده (نظیر مجموعه‌های ارزیابی یا آزمون)، مشابه و از توزیع یکسان برخوردار باشند. با توجه به نتایج به‌دست آمده از پژوهش حاضر و به‌منظور افزایش کارایی مدل‌های شبکه عصبی مصنوعی در برآورد رسوب معلق ایستگاه‌های هیدرومتری حوزه‌های آبخیز، پیشنهاد می‌شود از تجارب به‌دست آمده در این پژوهش در دیگر ایستگاه‌های رسوب‌سنجی کشور نیز استفاده شود.
