نیک پور, محمدرضا, ثانی خانی, هادی. (1396). مدلسازی رسوبات معلق رودخانه با استفاده از محاسبات نرم(مطالعه موردی: رودخانه درهرود). نشریه علمی پژوهشی مهندسی آبیاری و آب ایران, 8(2), 29-44.
محمدرضا نیک پور; هادی ثانی خانی. "مدلسازی رسوبات معلق رودخانه با استفاده از محاسبات نرم(مطالعه موردی: رودخانه درهرود)". نشریه علمی پژوهشی مهندسی آبیاری و آب ایران, 8, 2, 1396, 29-44.
نیک پور, محمدرضا, ثانی خانی, هادی. (1396). 'مدلسازی رسوبات معلق رودخانه با استفاده از محاسبات نرم(مطالعه موردی: رودخانه درهرود)', نشریه علمی پژوهشی مهندسی آبیاری و آب ایران, 8(2), pp. 29-44.
نیک پور, محمدرضا, ثانی خانی, هادی. مدلسازی رسوبات معلق رودخانه با استفاده از محاسبات نرم(مطالعه موردی: رودخانه درهرود). نشریه علمی پژوهشی مهندسی آبیاری و آب ایران, 1396; 8(2): 29-44.
مدلسازی رسوبات معلق رودخانه با استفاده از محاسبات نرم(مطالعه موردی: رودخانه درهرود)
1گروه مهندسی آب، دانشکده کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی، اردبیل، ایران
2گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه کردستان، سنندج، ایران
چکیده
چکیده
جابهجایی و تهنشینی بار معلق رودخانهها باعث بروز مشکلات زیادی از جمله رسوبگذاری در مخازن سدها، تغییر مسیر رودخانهها به دلیل رسوبگذاری در بستر آنها، کاهش ظرفیت آبگذری آبراههها و تأسیسات انتقال آب و همچنین تغییر کیفیت آب به لحاظ مصارف شرب و کشاورزی میشود. در این پژوهش از مدلهای فازی- عصبی تطبیقی (ANFIS)، برنامه ریزی بیان ژن (GEP) و رگرسیون بردار پشتیبان (SVR) جهت مدلسازی و پیشبینی میزان رسوبات معلق حوضه آبریز درهرود در استان اردبیل استفاده شد. در این راستا از دادههای رسوب و دبی جریان ایستگاه هیدرومتری مشیران بر روی رودخانه درهرود (واقع در بالادست سد عمارت) استفاده شد. پس از آزمون هشت سناریوی مختلف توسط مدل SVR، الگوی ترکیبی شامل مقادیر دبی جریان در همان روز، دبی جریان و رسوب معلق در گام زمانی قبل بهعنوان بهترین الگو شناخته شد. الگوی مذکور برای مدلهای ANFIS و GEP نیز بهعنوان ورودی استفاده شد. نتایج بیانگر عملکرد قابل قبول مدلها و برتری مدل SVR با بیشترین ضریب تعیین (97/0=R2)، کمترین ریشه میانگین مربعات خطا ( ton/day17343=RMSE) و همچنین شاخصهای نش-ساتکلیف (97/0=NS) و ویلموت (98/0=WI) در مرحله صحتسنجی بود. علاوه بر آن، توزیع فراوانی قدر مطلق خطای پیشبنی و نمودار جعبهای توزیع خطای پیشبینی مدلهای هوشمند نیز تأیید کننده عملکرد بهتر مدل SVR بود. ضمناً، کارآیی مدل ANFIS تا حدی بهتر از مدل GEP بود. ضرایب و توابع بهکار رفته برای واسنجی مدلهای هوشمند مورد استفاده در این پژوهش میتواند برای تخمین رسوبات معلق ایستگاههای مجاور فاقد آمار دارای شریط زمینساختی و هیدرولوژیکی یکسان در سطح منطقه بسیار مفید واقع شود.
Suspended Load Modeling of River using Soft Computing Techniques (Case Study: Dareh-rood River)
نویسندگان [English]
, Mohamadreza Nikpour1؛ Hadi sanikhani2
1Assisstant Professor. Department of Water Engineering. University of Mohaghegh Ardabili.
2Department of Water Sciences and Engineering, Faculty of Agriculture, University of Kurdistan, Sanandaj, Iran.
چکیده [English]
Abstract
The movement and deposition of the suspended load of rivers cause different problems; such as sedimentation in reservoirs, changing of river morphology based on sedimentation in the river bed, reducing the capacity of channels and water conveyance structures and changing of water quality for drinking and agricultural usage. In this study, adaptive neuro-fuzzy inference systems (ANFIS), gene expression programming (GEP) and support vector regression (SVR) was utilized for modeling and forecasting of suspended load for Dareh-rood catchment in Ardabil province. For this purpose, water discharge and sediment load of Moshiran hydrometric station located on Dareh-rood River (upstream of Emarat dam) was used. After evaluation of different input combinations (i.e. 8 scenarios) using the SVR, finally the model whose inputs consist of current discharge and one pervious discharge and suspended load was selected as the best scenario. The mentioned input combination was applied for ANFIS and GEP models. The results indicated that the SVR model with the highest R2=0.97, the lowest RMSE=1734, NS=0.97 and WI=0.98 was superior to the other models during the validation phase. Furthermore, the frequency distribution and boxplots of forecasting errors of applied the data-driven models confirm the efficiency of the SVR model among others. Meanwhile, the performance of the ANFIS model was somewhat better than the GEP model. The coefficients and functions used to calibrate the intelligent models that utilized in this study can be very helpful in estimating the suspended sediments of ungagged nearby stations with the similar tectonic and hydrological conditions over the study region.
کلیدواژه‌ها [English]
Keywords: Suspended load, Gene expression programming, Dreh-rood, Support vector regression, Adaptive neuro-fuzzy interference system
مراجع
منابع
خزائیپول، الف. و ع. طالبی. 1395. ارائه مدل ترکیبی منحنی سنجه رسوب و شبکه عصبی مصنوعی در برآورد بار رسوب بستر (مطالعه موردی: رودخانه قطورچای). مجله پژوهش آب ایران، سال دهم، شماره 2، ص 8-1.
ذرتیپور، الف. 1395. افزایش دقت پیشبینی بار کل رسوبی با استفاده از الگوریتمهای تکاملی (مطالعه موردی: باالادست حوضه طالقان). نشریه مرتع و آبخیزداری. سال هفتم، شماره 1، ص 78-65.
روشنگر، ک.، م.ت. اعلمی و ف. وجودی مهربانی. 1394. افزایش دقت پیشبینی بار کل رسوبی با استفاده از الگوریتمهای تکاملی (مطالعه موردی: رودخانه قطورچای). نشریه آب و خاک. سال هفتم، شماره 6، ص 1426-1416.
شیخعلی پور، ز.، ف. حسنپور و و. عظیمی. 1394. مقایسه روشهای هوش مصنوعی در برآورد بار معلق رسوب (مطالعه موردی: رودخانه سیستان). مجله پژوهشهای حفاظت آب و خاک، سال هفتم، شماره 2، ص 41-60.
عشقی، پ.، ج. فرزادمهر، م.ت. دستورانی و ز. طالبی. 1395. بررسی کارآیی مدلهای هوشمند در برآورد رسوبات معلق رودخانهای (مطالعه موردی: حوزه آبخیز باباامان، خراسان شمالی). پژوهشنامه مدیریت حوزه آبخیز، سال هفتم، شماره 14، ص 95-88.
Aytek A. and O. Kisi. 2008. A genetic programming approach to suspended sediment modeling. Journal of Hydrology, 351: 288–298.
Azamathulla H.M., Y.C. Caun, A. Aminudin and C.K. Chang. 2013. Suspended sediment load prediction of river systems: GEP approach. Arabian Journal of Geoscience, 6: 3469-3480.
Cigizoglu H.K. and M. Alp. 2005. Generalized regression neural network in modeling river sediment yield. Journal of Advances in Engineering Software, 37: 63-68.
Ferreira C. 2001. Algorithm for solving gene expression programming: a new adaptive problems. Complex Systems, 13(2): 87-129.
Kermani Z.M., O. Kissi, J. Adamowski and A. Ramezani-Charmahineh. 2016. Evaluation of data driven models for river suspended sediment concentration modeling. Journal of Hydrology, 535: 457-472.
Kissi O., A. Hosseinzadeh Dalir, M. Cimen and J. Shiri. 2012. Suspended sediment modeling using genetic programming and soft computing techniques. Journal of Hydrology, 450(1): 48-58.
Kissi O., A. Sanikhani, H. Z.M. Kermani and F. Niazi. 2015. Long-term monthly evapotranspiration modeling by several data-driven methods without climatic data. Computer and Electronics in Agriculture, 115: 66-77.
Kissi O. and C. Ozkan. 2017. A new approach foe modeling sediment-discharge relationship: Local Weighted Linear Regression. Water Resources Management, 31: 1-23.
Kitsikoudis V., E. Sidiropoulos and V. Hrissanthou. 2014. Machine learning utilization for bed load transport in gravel-bed rivers. Water Resources Management, 28: 3727-3743.
Lafdani E.K., A.M. Nia and A. Ahmadi. 2013. Daily suspended sediment load prediction using artificial neural networks and support vector machines. Journal of Hydrology, 478: 50-62.
Legates D.R. and G.J. McCabe. 1999. Evaluating the use of goodness-of-fit measures in hydrologic and hydroclimatic model validation. Water Resources Research, 35(1): 233-241.
Mehdizadeh S., J. Behmanesh and K. Khalili. 2017. Using MARS, SVM, GEP and empirical equations for estimation of monthly mean reference evapotranspiration. Computer and Electronics in Agriculture, 139: 103-114.
Melesse A.M., S. Ahmad, M.E. McClain, X. Wang and Y.H. Lim. 2011. Suspended sediment load prediction of river systems: an artificial neural network approach. Agriculture Water Management, 98: 855–866.
Mustafa M.R., R.B. Rezaur, S. Saiedi and M.H. Isa. 2012. River suspended sediment prediction using various multilayer perceptron neural network training algorithms- A case study in Malaysia. Water Resources Management, 26: 1879-1897.
Russel S.O. and P.F. Campbell. 1996. Reservoir operating rules with fuzzy programming. Journal of Water Resources Planning and Management, 122 (3): 165–170.
Vapnic V.N. 1998. The Nature of Statistical Learning Theory. Wiley, NewYork: USA
Wieprecht S., G. Habtamu and C. Ted Yang. 2013. A neuro-fuzzy-based modelling approach for sediment transport computation. Hydrological Sciences Journal, 58(3): 587–599.
ابتدای صفحه