محمودرضا طباطبایی؛ محمدرضا غریب رضا
چکیده
این مطالعه به بررسی برآورد دقیق رسوب معلق در رودخانه اترک، بهویژه در ایستگاه هوتن، پرداخته است. رسوب معلق در رودخانهها، بهویژه در مناطق نیمهخشک، از چالشهای عمده در مدیریت منابع آب و کنترل رسوبات مخازن سدها به شمار میآید. در این تحقیق، برای برآورد رسوب معلق، از ترکیبی از روشهای کلاسیک و هوشمند استفاده شده است، از جمله منحنی ...
بیشتر
این مطالعه به بررسی برآورد دقیق رسوب معلق در رودخانه اترک، بهویژه در ایستگاه هوتن، پرداخته است. رسوب معلق در رودخانهها، بهویژه در مناطق نیمهخشک، از چالشهای عمده در مدیریت منابع آب و کنترل رسوبات مخازن سدها به شمار میآید. در این تحقیق، برای برآورد رسوب معلق، از ترکیبی از روشهای کلاسیک و هوشمند استفاده شده است، از جمله منحنی سنجه رسوب، شبکههای عصبی و مدلهای یادگیری عمیق. با استفاده از الگوریتم جنگل تصادفی، متغیرهای کلیدی مؤثر بر رسوب شناسایی و دادهها به گروههای همگن تقسیم شدند. مدل یادگیری جمعی XGBoost به عنوان مدل برتر انتخاب شد که دقت بالایی در پیشبینی نشان داد. نتایج نشان میدهد که XGBoost با کمترین خطا و بیشترین شاخص کارایی نسبت به سایر مدلها موفقتر بوده است. این مدل توانایی مدیریت دادههای با چولگی بالا و شناسایی روابط غیرخطی پیچیده را دارد. همچنین، رویکرد ترکیبی بهکاررفته در این پژوهش منجر به بهبود پیشبینی نسبت به روشهای سنتی شده است. با این حال، کیفیت دادهها و تغییرات هیدرولوژیکی بر کارایی مدلها تأثیر میگذارد. این تحقیق نشاندهنده اهمیت استفاده از تکنیکهای پیشرفته یادگیری ماشین در تحلیل دادههای هیدرولوژیکی و لزوم پیوند بین علم داده و مدیریت منابع آب است. نتایج این مطالعه میتواند بهعنوان مرجعی برای سیاستگذاران و مدیران منابع آب در راستای بهبود مدیریت رسوبات و کیفیت آب در رودخانهها مورد استفاده قرار گیرد.
