گلاله غفاری
چکیده
مدلسازی دقیق رسوبات معلق بهعنوان یکی از چالشهای کلیدی در مدیریت منابع آب، مستلزم بهکارگیری روشهایی است که بتوانند رفتارهای پیچیده و غیرخطی این پدیده را با دقت بالا بازنمایی کنند. در این پژوهش، ترکیب دو رویکرد تجربی و دادهمحور شامل منحنی سنجه رسوب و شبکه عصبی مصنوعی برای پیشبینی رسوبات معلق در ایستگاه هیدرومتری گلینک واقع ...
بیشتر
مدلسازی دقیق رسوبات معلق بهعنوان یکی از چالشهای کلیدی در مدیریت منابع آب، مستلزم بهکارگیری روشهایی است که بتوانند رفتارهای پیچیده و غیرخطی این پدیده را با دقت بالا بازنمایی کنند. در این پژوهش، ترکیب دو رویکرد تجربی و دادهمحور شامل منحنی سنجه رسوب و شبکه عصبی مصنوعی برای پیشبینی رسوبات معلق در ایستگاه هیدرومتری گلینک واقع در حوزه آبخیز طالقان مورد بررسی قرار گرفت. بدین منظور، دادههای دبی جریان و دبی رسوب معلق طی سالهای ۱۳۵۰ تا ۱۴۰۲ گردآوری و پس از پیشپردازش، در قالب سه رویکرد شامل مدلهای تجربی (شش نوع منحنی سنجه)، مدل های ANN (MLP، GFF، RBF، SVM، SOFM و CANFIS) و دو ساختار ترکیبی مورد تحلیل و ارزیابی قرار گرفتند. یافتهها نشان داد روش "حد وسط دستهها" در میان روشهای تجربی، با ضریب تعیین 75/0 و میانگین خطای نسبی پایینتر، دقیقترین عملکرد را در برآورد رسوبات معلق ارائه کرده است.یافتههای این پژوهش به روشنی اثبات میکند که تلفیق همافزایانه رویکردهای تجربی و هوش مصنوعی، چارچوبی استوار و کارآمد برای غلبه بر چالشهای مدلسازی در حوضههایی با چولگی بالا و فراوانی دادههای پرت فراهم میآورد. بر این اساس، معماری CANFIS با بهرهگیری هوشمندانه از منطق فازی، ظرفیت پردازش روابط غیرخطی پیچیده و تحلیل دقیق پدیده Hysteresis را به طور معناداری ارتقا بخشیده و مزایای متمایزی نسبت به ساختارهای کلاسیک محاسباتی ارائه کرده است. با توجه به نقش حیاتی و راهبردی رخدادهای سیلابی در مدیریت منابع آب، واکاوی دادههای پرت امری اجتنابناپذیر تلقی میشود؛ در این راستا، مدل ترکیبی تدوینشده توانسته است با دقت قابلقبولی این ناهنجاریهای آماری را پوشش داده و تحلیل نماید. به منظور ارتقای کارایی و غنای علمی در مطالعات آتی، توسعه بانکهای اطلاعاتی جامع با تمرکز ویژه بر ثبت دقیق دبیهای سیلابی و گنجاندن متغیرهای کمکی نظیر شدت بارندگی و وضعیت پوشش گیاهی اکیداً توصیه میگردد. شایان ذکر است که بهکارگیری الگوریتمهای پیشرفتهای همچون یادگیری عمیق در قالب مدلهای LSTM و استفاده از تکنیکهای پیشپردازش مقاوم مانند Quantile Regression، میتواند منجر به کاهش چشمگیر خطاهای سیستماتیک و افزایش ضریب اطمینان مدلها در مدیریت یکپارچه حوضههای آبخیز شود.
