ارزیابی روش‌های رگرسیونی نوین جهت تخمین بار رسوبی معلق در رودخانه سیستان

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشگاه زابل

2 گروه مهندسی آب، دانشگاه زابل، زابل، ایران

3 گروه مهندسی آب، دانشگاه زابل، زابل

4 مربی و عضو هیئت علمی دانشگاه شیراز، دانشکده کشاورزی و منابع طبیعی داراب، دانشگاه

چکیده

برآورد صحیح حجم رسوب حمل شده توسط رودخانه از اهمیت زیادی در پروژه‌هایی آبی برخوردار است. این مطالعه بر روی 1682 زوج داده برداشت شده که در بازه زمانی 1374-1390 صورت گرفت از روابط تجربی انتقال رسوب، مدل‌های رگرسیونی بردار پشتیبان و نزدیکترین همسایه توسعه داده شده به منظور پیش­بینی بار معلق رسوب رودخانه سیستان استفاده گردید. در این راستا علاوه بر متغیرهای دمای حداقل، دمای حداکثر،  دبی و بار معلق برداشت شده، دبی کلاسه نیز به عنوان یک متغیر ورودی تاثیرگذار در مدل‌سازی رسوب معین مورد بررسی قرار گرفت. برای ترکیب‌های متفاوت از ورودی‌ها در هر کدام از روش‌های رگرسیون بردار پشتیبان و رگرسیون ناپارامتری بهترین ساختار مدل رگرسیونی توجه به معیارهای ارزیابی تعیین گردید. نتایج این تحقیق نشان داد که در بین روابط تجربی روش توفالتی با مقدار جذر میانگین مربعات 66558 تن در روز و ضریب تبیین 705/0 بهتر از سایر روش‌ها عمل کرده است. همچنین مدل رگرسیون بردار پشتیبان با ترکیب ورودی‌های دبی، دمای حداقل، دمای حداکثر و دبی کلاسه با مقدار جذر میانگین مربعات خطا 3/2809 تن در روز و ضریب تبیین 96/0 بهترین نتیجه را در برآورد بار معلق رسوب رودخانه دارا بود. بر اساس نتایج این تحقیق روش‌های رگرسیونی با تفاوت قابل ملاحظه­ای بهتر از روابط تجربی، بار معلق رسوب رودخانه سیستان را برآورد کردند.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Assessment of Modern Regression Methods to Suspended Sediment Load Estimation in the Sistan River

نویسندگان [English]

  • sara mohamadi 1
  • Farzad hassanpourir@uoz.ac.ir 2
  • Salman Sharifazari 3
  • farid frooghi 4
1 unevier city zaboul
2 Associate Professor, University of Zabol;
3 Instructor, University of Zabol
4 University of Agriculture, Shiraz University
چکیده [English]

Correct estimation of the river sediment volume is important for many water resources projects.
In this study, the empirical equations of sediment transport, support vector regression (SVR), and developed k-nearest neighbor regression (KNN) were used in order to estimate suspended sediment load in the Sistan River. In this regard, in addition to the maximum temperature, minimum temperature, and dischargeand Suspended Loud In the period 1374 to 1390, it was paired on 1682, discharge, the classified discharge was used as effecting variable to suspended sediment load modeling. For each of the input combinations in support vector regression and development k-nearest neighbor regression the best structure of the regression model determined based on the performance criteria. The Result showed that the Toffaleti method is the best method between empirical equations with R2 equal to 0.705 and RMSE equal to 66558 Ton/day. Also, the support vector regression model with discharge, minimum temperature, maximum temperature and classified discharge as the set of input data is the best model in estimation of suspended sediment load with R2 equal to 0.96 and RMSE equal to 2809.3 Ton/day. The results indicate that the regression method estimate suspended sediment load much better than empirical equations in the Sistan River.

کلیدواژه‌ها [English]

  • Empirical Models
  • K-Nearest Neighbor Regression
  • Sediment transport
  • Support vector regression
  • Toffalti Method
جودی، ع. و م. ت. ستاری. 1396. مقایسه کارایی روش‏های رگرسیون بردار پشتیبان و نزدیکترین همسایگی در برآورد بار رسوبی معلق در رودخانه، مطالعه موردی: رودخانه لیقوان چای. مجله منابع طبیعی ایران، دوره 70، شماره 2، ص 345-358.
حسن‌پور، ف. و س. م.، طباطبایی. 1388. لایروبی موضعی روشی کم‌هزینه برای حفظ حیات رودخانه سیستان. اولین همایش ملی اصلاح الگوی مصرف با محوریت منابع طبیعی، کشاورزی و دامپزشکی. زابل، دانشگاه زابل.
دستورانی، م. ت.، خ. عظیمی‌ فشمی، ع. طالبی و م. ر. اختصاصی. 1391. برآورد رسوبات معلق با استفاده از شبکه عصبی مصنوعی، مطالعه موردی: حوزه آبخیز چامیشان استان کرمان. پژوهشنامه مدیریت حوزه آبخیز، دوره 3، شماره 6، ص 74-61.
دهقانی، ا.، م. ا. زنگانه، ا. مساعدی و ن. کوهستانی. 1388. مقایسه تخمین بار معلق به دو روش منحی سنجه رسوب و شبکه عصبی مصنوعی، مطالعه موردی: رودخانه دوغ استان گلستان. نشریه علوم کشاورزی و منابع طبیعی، دوره 16، شماره 1، ص 276-266.
دهقانی، ا.، م. قبائی سوق، ح. شریفان و ن. دهقانی. 1390. واسنجی معادلات تجربی تبخیر و تعرق روزانه و مقایسه با نتایج شبکه‌های عصبی مصنوعی در شرایط مختلف کمبود داده‌های هواشناسی. مجله مدیریت آب و آبیاری، دوره 1، شماره 1، ص 54-41.
دهقانی، ن. و م. وفاخواه. 1392. مقایسه روش‌های تخمین رسوب معلق روزانه با استفاده از روش‌های منحنی سنجه رسوب و شبکه عصبی، مطالعه موردی: ایستگاه قزاقلی، استان گلستان. مجله پژوهش‌های حفاظت آب و خاک، دوره 20، شماره 2، ص 230-221.
رجایی، ط. و ه. ابراهیمی. 1393.  مدل‌سازی نوسان‌های ماهانة آب زیرزمینی به وسیلة تبدیل موجک و شبکة عصبی پویا. مجله مدیریت آب و آبیاری، دوره 4، شماره 1، ص 87-73.
ستاری، م. ت.، ع. ر. جودی، ف. صفدری، و ف. قهرمان زاده. 1395. ارزیابی عملکرد روش های مدل درختی و رگرسیون بردار پشتیبان در مدل سازی رسوب معلق رودخانه. نشریه حفاظت منابع آب و خاک، دوره ششم، شماره اول، ص 109-123.
شریف آذری، س. و ش. عراقی‌نژاد. 1392. توسعة مدل ناپارامتری شبیه ساز داده‌های ماهانة هیدرولوژیکی. مجله مدیریت آب و آبیاری، دوره 3، شماره 1، ص 95-83.
فراهی، گ.، س. ر. خداشناس و ا. علی‌زاده. 1390. برآورد رسوب حوزه‌های آبخیز شمال استان خراسان با استفاده از مدل رگرسیون فازی. مجله علوم و مهندسی آبخیزداری، سال پنجم، شماره 15، ص 24-11.
نیک‌بخت شهبازی، ع.، ب. زهرایی و م. ناصری. 1391. پیش‌بینی فصلی خشکسالی هواشناسی با استفاده از ماشین‌های بردار پشتیبان. مجله آب و فاضلاب، دوره 23، شماره 2، ص 85-73.
Alp, M. and H.K. Cigizoglu. 2007. Suspended sediment load simulation by two artificial neural network methods using hydrometeorological data. Environmental Modelling & Software, 22(1): 2-13.
Asefa, T., M. Kemblowski, M. Mckee and A. Khalil. 2006. Multi time scale strem flow predictions: the support vector machines approach. Hydrology, 318(1-4): 7-16.
Bharti, B., A. Pandey, S. K. Tripathi and D. Kumar. 2017. Modelling of runoff and sediment yield using ANN, LS-SVR, REPTree and M5 models. Hydrologe research, 211(2-8):1489-1506.
Cimen M. 2008. Estimation of daily suspended sediments using support vector machines. Hydrological Sciences Journal, 53 (3):656–666.
Cristianini, N. and T. Shawe. 2000. An Introduction to Support Vector Machines. Cambridge University Press, Cambridge, 189 p.
Hazarika, B.B., D. Gupta and M. Belin. 2020. Modeling suspended sediment load in ariver using extreme learning machine and twin support vector regression with wavelet conjunction. Environmental Earth Sciences, 79(2):234-248.
Joudi, A. R. and M.T. sattari.  2017. Comparison of the Efficiency of Support Vector Regression and K-Nearest Neighbor Methods in suspended sediment load Estimation in river (Case Study: Lighvan Chay River).Journal of RANNGE AND Watershed MANAGEMENT,122-138p.
Kakaei lafdani, E., A. Moghaddam nia and A. Ahmadi, 2013. Daily suspended sediment load prediction using artificial neural networksand support vector machines. Hydrology Research 478: 50–62.
Kisi, O. 2012. Modeling discharge-suspended sediment relationship using least square support vector machine. Hydrology, 456-457: 110-120.
Kisi, O. 2005. Suspended sediment estimation using neuro-fuzzy and neural network approaches. Hydrological Sciences Journal, 50(4): 683-696.
Kisi, O., M.E. Karahan and Sen, Z. 2006. River suspended sediment modeling using fuzzy logic approach. Hydrological Processes, 20(20): 4351-4362.
Kisi, O.T. Haktanir, M. Ardiclioglu, O. Ozturk, E.Yalcin and S. Uludag. 2009. Adaptive neuro-fuzzy computing technique for suspended sediment estimation. Advances in Engineering Software, 40(6): 438-444.
Lall, U. and A. Sharma. 1996. A nearest neighbor bootstrap for resampling hydrologic time series. Water Resources Research, 32(3): 679-694.
Prairie, J. R., B. Rajagopalan, T.J. Fulp and E.A. Zagona. 2006. Modified K-NN model for stochastic streamflow simulation. Hydrologic Engineering, 11(4):371-378.
Roshangar, K. and A. Koshi. 2015. Evaluation of GA-SVR method for modeling bed load transport in gravel-bed Rivers. Journal of Hydrology, 527:1142-4452.
Sheikhalipour, Z. and F. Hassanpour. 2013. Estimation of Suspended Sediment Load Using Genetic Expression Programming. Civil Engineering and Urbanism, 3(5):292-299.
Shoushtari, Sh. and Kashefipour, M. 2007. Estimating of suspended sediment load using artificial neural networks case study Ahvaz station. In: Proceeding of 7th International Conference on River Engineering, Shahid Chamran University, Ahwaz, Iran, 343-356.
Torabi, H. and R. Dehghani, 2018. Comparison and evaluation of intelligent models for river suspended sediment estimation (case study: Kakareza River, Iran). Environmental Resources Research, 852:139-15
Vapnik, V. N. 1995. The nature of statistical learning theory. Springer-Verlag, New York, 314p.
Vinod, H. D. 2014. Matrix Algebra Topics in Statistics and Economics Using R, inHandbook of Statistics: Computational Statistics with R, Vol. 34, eds. Ra o, M. B. and Rao, C. R., New York: North Holland, Elsevier Science, pp. 143-176.