نوع مقاله : مقاله پژوهشی

نویسنده

• گلاله غفاری

استادیار بخش تحقیقات حفاظت خاک و آبخیزداری، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان کرمانشاه، ایران

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 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.

کلیدواژه‌ها

• رسوب معلق
• منحنی سنجه رسوب
• شبکه عصبی مصنوعی
• مدل ترکیبی
• CANFIS
• حوزه آبخیز طالقان

عنوان مقاله [English]

Accurate Modeling of Suspended Sediment Using a Hybrid Intelligent Approach Based on Sediment Rating Curve and CANFIS Network (Case Study: Glinak Station)

نویسنده [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]

Accurate modeling of suspended sediment is a key challenge in water resources management, requiring methods capable of capturing the complex and nonlinear behavior of sediment transport processes. This study investigates a hybrid modeling approach that integrates sediment rating curves (SRC) and artificial neural networks (ANNs) to predict suspended sediment load at the Glink hydrometric station in the Taleghan watershed. Historical streamflow and suspended sediment data from 1971 to 2023 were preprocessed and analyzed using three modeling frameworks: (i) empirical models (six types of SRCs), (ii) data-driven models (MLP, GFF, RBF, SVM, SOFM, and CANFIS), and (iii) two hybrid structures. Among the empirical models, the "class-mean method" outperformed others with the highest coefficient of determination (R² = 0.75) and the lowest relative mean error (RME), making it the most reliable rating curve approach.
The results unequivocally demonstrate that the synergistic integration of empirical hydrological reasoning and artificial intelligence provides a resilient and efficient modeling framework for watersheds characterized by pronounced skewness and a high prevalence of anomalous observations. In this context, the CANFIS architecture, leveraging fuzzy logic to resolve complex nonlinear interactions, substantially improves the representation of hysteretic sediment dynamics and offers clear advantages over conventional computational structures, including multilayer perceptron (MLP), general feed-forward (GFF), radial basis function (RBF), support vector machine (SVM), and self-organizing feature map (SOFM) networks.
Given the strategic significance of flood events in water resources engineering, the rigorous interrogation of outlier behavior is not optional but imperative. The proposed hybrid framework effectively captures and interprets these statistical anomalies with acceptable precision, thereby reinforcing its applicability in suspended sediment transport management under extreme hydrological conditions.
To advance methodological robustness and scientific depth in future investigations, the establishment of comprehensive, high-resolution databases—particularly those documenting peak flood discharges—is strongly recommended.

کلیدواژه‌ها [English]

• Suspended Sediment
• Sediment Rating Curve
• Artificial Neural Network
• Hybrid Modeling
• CANFIS
• Taleghan Watershed