تخمین بار معلق رسوبی رودخانه ها با استفاده از روش های داده محور

چکیده:

پیش بینی دقیق پارامترهای مؤثر در طرح های منابع آب، یکی از مهمترین مباحث تحقیقی
مهندسان آب می باشد. از جمله این پارامتر ها حجم رسوبات معلق رودخانه ها است که
بدلیل اثرات منفی آن بر روی شاخص های کیفی آب، تقلیل گنجایش مخازن و تغییر در
مورفولوژی رودخانه ها از اهمیت ویژه ای برخوردار است. در حقیقت حصول روش
های مناسب و دقیق در پیش بینی بار رسوبی رودخانه ها را می توان به عنوان یکی از
مهمترین چالش ها در فرایند فرسایش و رسوبگذاری دانست. با توجه به پیچیدگی پدیده
رسوب و عدم توانایی تعیین دقیق معادلات حاکم به خاطر وجود پارامتر های مختلف و
تاثیر تغییرات مکانی و زمانی شرایط هیدرولوژیکی حوضه آبریز و مشکلات ناشی از
تعیین تاثیرات آنها و با توجه به اینکه تخمین میزان رسوبات با روش های مرسوم مانند
منحنی سنجه نتایج دقیقی در بر ندارد محققان به استفاده از مدل های جعبه سیاه نظیر
شبکه های عصبی مصنوعی روی آورده اند . در این تحقیق در مورد کارایی این شبکه
ها در تخمین و پیش بینی بار معلق رودخانه می سی سی مطالعاتی انجام خواهد گرفت و
سعی خواهد شد روش های جدیدی مانند مدل جنگل تصادفی 1 (RF) ، یادگیری عمیق 2
(DL) و روش های پرکاربرد شبکه عصبی مصنوعی 3 (ANN) و مدل درختی (M5)و
رگرسیون بردار پشتیبان 4 SVR ) (این تحقیق مورد استفاده قرار گیرد. در تحقیق حاضر
از داده‌های جریان رودخانه ها و باررسوبات معلق در ایستگاه های میزوری 5 و ایلینوی 6
واقع در رودخانه می سی سی پی آمریکا در دوره آماری 13 ساله (2004-2017)
جمعآوری گردیده وسعی خواهد شد تا با کاربرد روش های داده محور برآورد دقیقی از
بار رسوبی معلق در ایستگاه های مورد نظر حاصل گردد. در نهایت دقت نتایج بدست
آمده از طریق این روش ها با یکدیگر و روش های تجربی مقایسه خواهد شد.