تلفيق پارامترهاي ژئومرفومتري و تكنيك‌هاي هوش مصنوعي در برآورد بار معلق

Combination of Geomorphometry Parameters and Artificial Intelligence Technique in Prediction of Suspended Sediment Load

اسدي مريم Asadi Maryam

فتح‌زاده علي Fathzadeh Ali

تقي‌زاده مهرجردي روح‌الله Taghizadeh Mehrjerdi Ruhollah

علوم و مهندسي آبخيزداري گرايش آبخيزداري شهري

كشاورزي و منابع طبيعي

مهندسي طبيعت

153ص

بار رسوبي معلق , پيش‌بيني , داده‌كاوي , وزن‌دهي

suspended sediment load , Prediction , Data mining , Weighting

آگاهي از ميزان رسوب معلق رودخانه‌ها يكي از مسائل اساسي در پروژه‌هاي آبي است كه طراحان تأسيسات آبي همواره با آن روبرو بوده‌اند. برآوردهاي اشتباه از ميزان انتقال بار معلق مي‌تواند سبب طراحي نادرست و تخريب سازه‌هاي آبي گردد. تاكنون مدل‌هاي مختلفي با ساختارهاي گوناگون جهت برآورد بار رسوبي ارائه گرديده است. لذا در اين مطالعه در بخش اول به بررسي كارايي پارامترهاي ژئومورفومتري و تكنيك‌هاي داده‌كاوي به‌منظور پيش‌بيني بار رسوب معلق در 68 حوزه واقع در دو منطقه‌ي متفاوت از ايران پرداخته شده است. به همين منظور شش مدل شبكه عصبي مصنوعي، رگرسيون خطي، K نزديك‌ترين همسايه، فرآيند گوسي، ماشين‌بردار پشتيبان و ماشين‌بردار پشتيبان تكاملي بر روي دو نوع از داده‌هاي بار رسوب معلق (رسوب حداقل و متوسط) اجرا گرديد. با هدف بهينه‌سازي مدل‌ها از پارامترهاي ژئومورفومتري و دبي رودخانه به‌عنوان داده‌هاي ورودي‌ به مدل و از تكنيك كاهش ويژگي به‌منظور كاهش حجم فضاي الگوريتم‌ها استفاده شد. در بخش دوم پژوهش كارايي شاخص‌هاي ماهواره‌اي در برآورد بار رسوبي با استفاده از مدل‌هاي داده‌كاوي به چالش كشيده شد. همچنين به وزن‌دهي پارامترها در پيش‌بيني پرداخته شد. در بخش سوم مطالعه سؤال اصلي بررسي نقش انواع داده‌هاي روزانه، ماهانه و سالانه در برآورد بار رسوبي با استفاده از مدل‌هاي مبتني بر يادگيري ماشين بود. در اين بخش با توجه به نياز به آمار با رزولوشن‌هاي زماني مناسب، از آمار بار معلق ايستگاه‌هاي هيدرومتري اوهايو آمريكا استفاده گرديد و سرانجام در بخش چهارم مطالعه نيز توانمندي روش منحني سنجه رسوب در مقايسه با برخي روش‌هاي داد كاوي به چالش كشيده شد. نتايج بخش اول نشان داد بهترين روش جهت پيش‌بيني رسوب متوسط رودخانه مدل فرآيند گوسي با ضريب همبستگي 98/0 و ميانگين مجذور مربعات 00/11 بوده و مناسب‌ترين روش پيش‌بيني رسوب حداقل مدل ماشين‌بردار تكاملي با ضريب همبستگي 99/0 و ميانگين مجذور مربعات 17/0 مي‌باشد. نتايج بخش دوم مطالعه نيز حاكي از آن بود كه در صورت استفاده از پارامترهاي ژئومورفومتري به‌عنوان ورودي مدل مقدار RMSE بيشتر شده و در مقابل با استفاده از شاخص‌هاي ماهواره‌اي، ميزان RMSE كاهش مي‌يابد. با تلفيق پارامترهاي ژئوموفومتري و شاخص‌هاي ماهواره‌اي ميزان دقت تمام مدل‌ها افزايش يافته است. نتايج حاصل از وزن‌دهي نيز نشان داد كه شاخص‌هاي Clay index، b5 و NDVI داراي بيشترين تأثير در پيش‌بيني بار رسوبي معلق مي‌باشند. نتايج حاصل از بخش سوم نيز نشان داد كه براي داده‌هاي روزانه، ماهانه و سالانه به ترتيب مدل‌هاي k نزديك‌ترين همسايه و مدل فرآيند گوسي مناسب‌ترين مدل جهت پيش‌بيني بوده است. همچنين مقايسه مقادير ارزيابي نشان داد كه پيش‌بيني داده‌هاي سالانه نسبت به روزانه و ماهانه كمترين مجموع مربعات باقيمانده و بيشترين ضريب همبستگي را داشته است. نتايج بخش چهارم نيز نشان داد مدل فرآيند گوسي در مقايسه با ساير مدل‌ها با كمترين مجموع مربعات باقيمانده (RMSE) و بيشترين ضريب همبستگي (r) نسبت با ساير مدل‌ها از كارآيي بيشتري برخوردار است.

Knowledge of suspended sediment in rivers is one of the fundamental issues in water projects, that water utilities designers engaged with that always. Incorrect estimates of the rate transfer of suspended load can be caused incorrect design and destruction of water structures. Various models have been provided with various structures to estimate sediment load. Therefore, in this study in the first part, were discussed the performance parameters geomorphometry and data mining techniques to predict suspended sediment load, In 68 areas located in two different regions from Iran. For this purpose was administered six models Artificial Neural Network, Linear regression, K-nearest neighbor, Gaussian process, Support vector machine, and evolutionary support vector machine on two types of the suspended sediment load data (sediment minimum and average). With the aim of optimization models were used from geomorphometry parameters and river discharge as input data to the model and technique of reducing features in order to reduce the size of the algorithms space. In the second part of study, was challenged satellite indicators performance in estimation of sediment load using data mining models. Also to the weighting parameters paid in predict. In the third part of study the main question was check the role of daily, monthly and annual data in estimation of sediment load by using models based on machine learning. In this part due to the need to statistics with appropriate temporal resolutions, used hydrometric stations suspended sediment load statistics from Ohio America and finally in the fourth part of study challenged ability of sediment rating curve in compared to some data mining methods. The results of first part showed that best way to predict of average river sediment, were Gaussian process model with correlation coefficient of 0/98 and average square 11/00 and the best method to predict minimum sediment is evolutionary least Machine model with correlation coefficient 0/99 and the mean square 0/17. The result of second part of the study showed that if you use gemorphometry parameters as model input, RMSE increased and in contrast by using satellite indictors the RMSE decreased. With combination gemorphometry parameters and satellite indictors increased accuracy all models. Results weighting showed that Clay index and b5 and NDVI indictors had the most influential in suspended sediment load prediction. The result of third part showed that for daily, monthly and annual data, respectively K nearest neighbor and Gaussian Process models have been the best model for predicting. Also comparison of the evaluation showed that prediction of annual data to daily and monthly have been least residual sum of squares and the highest correlation coefficient. The result of fourth part showed that Gaussian Process model with least residual sum of squares and the highest correlation coefficient to other models had better efficacy.

3/5/2017 12:00:00 AM

121

NE51

خانم فتوحي