نوع مقاله : مقاله پژوهشی

نویسندگان

• محمودرضا طباطبایی ¹
• امین صالح پور جم ¹
• جمال مصفایی ²

¹ دانشیار، پژوهشکده حفاظت خاک و آبخیزداری، سازمان تحقیقات، آموزش و ترویج کشاورزی، تهران، ایران

² پژوهشکده حفاظت خاک و آبخیزداری

چکیده

برآورد هر چه صحیح‌تر مقدار رسوب معلق رودخانه‌ها، به دلیل اثرات منفی آن در کاهش شاخص‌های کیفی آب، انتقال آلودگی وکاهش ظرفیت مخازن، از اهمیت ویژه‌ای برخوردار است. با توجه به کارائی مدل‌های هوشمند در مدل‌سازی رفتارهای پیچیده و غیرخطی سیستم‌ها، استفاده از این قبیل مدل‌ها در ده‌های اخیر بسیار رایج شده است. صرفنظر از نوع مدل‌های هوشمند، در اغلب پژوهش‌های انجام شده (خصوصأ در تحقیقات داخلی)، شبیه‌سازی رسوب معلق عمدتأ بر پایه متغیر دبی جریان بوده و به نقش متغیرهائی نظیر بارش (به ویژه بارش اخذ شده از تصاویر ماهواره‌ای)، که در رسوب‌دهی حوضه‌ها موثرند، کمتر توجه شده است. علاوه بر بارش، چولگی داده های رسوب‌سنجی نیز از جمله مسائلی است که عدم شناخت و توجه به آن سبب کاهش کارایی مدل های برآوردگر خواهد شد. در پژوهش حاضر، به منظور شبیه‌سازی غلظت رسوب معلق روزانه رودخانه‌ قره‌چای )در محل ایستگاه‌ آب‌سنجی رامیان در استان گلستان) از شبکه عصبی مصنوعی پرسپترون چند لایه استفاده گردید. در این رابطه 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 37ساله (1396-1359) به عنوان متغیرهای ورودی مدل، استفاده شد. به منظور افزایش قدرت‌ تعمیم‌دهی مدل‌ها، از شبکه عصبی نگاشت خود سازمان‌ده (برای خوشه‌بندی داده‌ها) و به منظور یافتن بهترین ترکیب متغیرهای ورودی، از آزمون گاما استفاده گردید. در راستای ارتقاء کارائی آموزش شبکه، انواع توابع فعال‌سازی و زیان و همچنین الگوریتم جلوگیری از بیش‌برازش استفاده شد. به منظور بررسی تاثیر بکارگیری توابع فعال‌سازی و زیان در برآورد رسوب معلق، سناریوهای مختلفی در نظر گرفته شد که در مجموع منجر به ساخت 9 مدل گردید. نتایج گرفته‌شده از 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 میلی گرم در لیتر، ریشه میانگین مربعات خطا برابر 597 میلی گرم در لیتر، ضریب ناش-ساتکلیف 0.87 و درصد اریبی -2/2 درصد، به عنوان مدل برتر انتخاب گردید. با توجه به در دسترس بودن داده‌های بارش ماهواره CHIRPS و روش‌ها و توصیه‌های ارائه شده در این پژوهش، پیشنهاد می‌شود تا در شبیه‌سازی رسوب معلق رودخانه‌ها، از این نتایج استفاده شود.

کلیدواژه‌ها

• بارش روزانه
• شبکه عصبی
• خوشه بندی
• رسوب معلق
• رامیان
• نگاشت خودسازمان ده

عنوان مقاله [English]

Suspended sediment simulation using machine learning algorithms and CHIRPS satellite precipitation data with emphasis on data clustering and gamma test (Case Study: Ramyan Watershed - Golestan Province)

نویسندگان [English]

• Mahmoudreza Tabatabaei ¹
• Amin Salehpour Jam ¹
• Jamal Mosaffaie ²

¹ Associate Professor, Soil Conservation and Watershed Management Research Institute, Agricultural Research, Education and Extension Organization (AREEO), Tehran, Iran

² Associate Professor, Soil Conservation and Watershed Management Research Institute, Agricultural Research, Education and Extension Organization (AREEO), Tehran, Iran

چکیده [English]

Estimating the amount of suspended sediment in rivers as accurately as possible is of particular importance due to its negative effects on reducing water quality indicators. Regardless of the type of intelligent models, in most studies, simulations are mainly based on the flow discharge variable and the role of variables such as precipitation (especially precipitation taken from satellite images), have received less attention. Also, skewness of sediment data is also one of the issues that lack of knowledge and attention to it will reduce the efficiency of estimator models. In this study, in order to simulate the daily suspended sediment concentration of Qarachai River, a multilayer perceptron was used. In this regard, flow discharge and previous flow discharge (in instantaneous and daily scales) as well as the average daily and previous rainfall of the basin (taken from CHIRPS satellite) for a statistical period of 37 years (1359-1396) as model input was used. In order to increase the generalizability of the models, self-organized neural network and in order to find the best combination of input variables, gamma test was used. In order to improve the efficiency of network training, various activation and loss functions as well as overfitting prevention algorithm were used. Also, to investigate the effect of using activation and loss, different scenarios were considered which led to the construction of a total of 9 models.The results showed that among the different models, the neural network model with Huber activation function and ReLU loss function, with MAE of 368 mg/l, RMSE of 597 mg/l, NSE of 0.87 and PBIAS of 2.2% were selected as the superior model. Due to the availability of CHIRPS satellite precipitation data and the methods and recommendations presented in this study, it is suggested to use these results in simulating suspended sediment in rivers.

کلیدواژه‌ها [English]

• Clustering
• Daily precipitation
• Neural network
• Suspended sediment
• Ramyan
• Self-Organizing Map