حامد نوذری

برآورد غلظت رسوبات معلق حمل شده توسط جریان رودخانه ازنظر، کیفیت آب، شرایط زمین شناسی و جغرافیایی رودخانه، قابلیت کشتیرانی کانال، بهره برداری از سازه های هیدرولیکی، زیبایی رودخانه و زیستگاه ماهی ها در بسیاری از پروژه های منابع آبی دارای اهمیت می باشد. بنابراین شناسایی و پیشنهاد روش های برآورد بار رسوبات معلق باید براساس پژوهش های مرتبط انجام شود. از جمله این روش ها مدل شبکه عصبی مصنوعی (MLP)، مدل ماشین بردار پشتیبان (SVM) و مدل روش کنترل گروهی داده ها (GMDH) می باشد. در این پژوهش در برآورد میزان رسوبات معلق از داده های رسوب ایستگاه های موجود در سه رودخانه بزرگ آمریکا از جمله می سی سی پی، میسوری و ریوگراند استفاده شد. طول دوره آماری برای این سه رودخانه به ترتیب 20، 25 و 47 سال بود. متغییر مستقل در این بررسی صورت گرفته دبی آب و متغییر وابسته حجم رسوبات معلق رودخانه هاست. پس از مدل سازی با هر یک از روش ها معیارهای R^2، RMSE و SE برای هر یک از روش های ذکر شده محاسبه گردید. نتایج نشان داد که در استفاده از داده های روزانه، ماهانه و سالانه دو مدل GMDH و SVM-SA دارای برآورد مناسبی از بار رسوبات معلق نسبت به مدل MLP-GA و روش منحنی سنجه می باشند. با بررسی های صورت گرفته داده های ماهانه برآورد مناسب تری از حجم رسوبات معلق را داشته است، بنابراین 25 و 50 درصد از داده های ماهانه رسوب معلق رودخانه ها را حذف کرده، تا بتوان عدم وجود داده های ماهانه رسوب معلق را بر روی دقت هر یک از مدل ها، مورد ارزیابی قرار داد. نتایج به دست آمده در این تحقیق نشان می دهد که در صورت عدم وجود 25 درصد از داده های رسوب در برآوردی که مدل-ها از میزان رسوبات معلق داشته اند، به طور کلی حدود 10 درصد خطا ایجاد گردید در حالی که مدل GMDH دارای برآورد مناسب تری نسبت به دو مدل SVM-SA و MLP-GA از حجم رسوبات معلق می باشد، و در صورت عدم وجود 50 درصد داده-های رسوب، برآوردی که مدل ها از حجم رسوبات داشته اند دارای خطای زیادی می باشد