بخشی از مقاله
چکیده
فرسایش و رسوب گذاری، یک رفتار مخرب در مراتع، اراضی کشاورزی و رودخانهها است که منجر به از دست رفتن خاک حاصلخیز کشاورزی به صورت کاهش توان تولیدی و تخریب خصوصیات فیزیکی و شیمیایی خاک و ایجاد خسارت هنگفت در طرحهای منابع آب می گردد. تخمین صحیح و دقیق بار رسوبی یکی از مهمترین اهداف مدیریت منابع آب میباشد.
لذا در پژوهش حاضر به منظور برآورد غلظت رسوب معلق، از دادههای دبی و غلظت رسوب متناظر در سالهای 1347-1393 ایستگاه ارازکوسه در رودخانهی گرگانرود واقع در استان گلستان استفاده شد. برای پیشبینی غلظت رسوب از دو روش منحنی سنجه رسوب و حداقل مربعات ماشین بردار پشتیبان استفاده گردید. برای شبیهسازی غلظت رسوب با روش حداقل مربعات ماشین بردار پشتیبان، جستجوی ساده با متوسط جذر میانگین مربعات خطای مراحل آموزش و آزمون برابر 1612 میلیگرم در لیتر و متوسط ضریب تبیین 0/68، به عنوان جستجوی برتر انتخاب شد.
نتایج مقایسهی شاخصهای آماری مرحلهی آزمون این دو روش نشان داد که روش حداقل مربعات ماشین بردار پشتیبان با جذر میانگین مربعات خطای 1818 میلی گرم در لیتر و میانگین کارایی خطای 4/98 درصد، شبیهسازی غلظت رسوب را نسبت به منحنی سنجه رسوب با جذر میانگین مربعات خطای 2432 میلیگرم در لیتر و میانگین کارایی خطای 5/97 درصد بهتر و دقیقتر انجام می دهد.
-1 مقدمه و هدف
شناخت و آگاهی بهتر از بار رسوب معلق دینامیک و کیفیت آب، یکی از چالشهای عمده ی زیستمحیطی برای دانشمندان و مدیران منابع آب میباشد .این پیشرفتها در آینده ادامه پیدا خواهد کرد به طوریکه غلظت رسوب معلق - - SSC1 در دوره ی طولانی مدت به بسیاری از ایستگاههای هیدورمتری تعمیم مییابد در حوضههای کوهستانی بخش عمدهای از بار رسوب معلق سالانه - SSY2 - معمولاً در یک دوره کوتاه مدت که به طور کلی مربوط به چندین واقعه سیل هست منتقل می شود. .
بنابراین پایش فراوانی SSC به منظور تخمینهای قابلاعتماد SSY و SSC ضروری است. با این وجود، روش ساده و دقیق برآورد مستقیم، اندازهگیری مستمر SSC است که در حال حاضر در دسترس نیست. اگرچه پیشرفتهای بزرگی در آینده مورد انتظار است برای مثال استفاده از روش پخش امواج صوتی برگشتی برای تخمین بار رسوب میباشد ، که کاربرد آنها هنوز محدود به رودخانههای بزرگ و کانالها است. اگرچه، مشکلات در حوضههای کوهستانی در کانالهای رودخانه که عموماً فرآیندهای فرسایش-انتقال-رسوبگذاری قابل توجه و سریع میباشد، همچنان باقی است، کل رسوب یا بیشتر بار رسوبی که این حوضهها حاصل می کنند، به کل سیستم پاییندست رودخانه و دشت منتقل میشود[4] و تهنشست بار رسوبی مخازن را در منابع آب و کیفیت زیستگاههای آبی کنترل میکند
اگر فقط از نمونههای SSC با نمونهی فراوانی تعیین شده برای تخمین بار رسوبی استفاده شود معمولاً باعث برآورد اشتباه آن میشود . بنابراین با توجه به دشواریهای روش نمونهگیری مستقیم و بیشبرآوردی تخمین مستقیم غلظت رسوب معلق، در سالهای اخیر استفاده از روشهای غیرمستقیم تخمین بار یا غلظت رسوب متداول شده است.
با توجه به اینکه دبی رسوب تابعی از دبی جریان در رودخانه میباشد، برای تعیین دبی رسوب معلق از روشهای تجربی مبتنی بر رابطه رگرسیونی بین دبی-جریان لحظهای و دبی رسوب معلق استفاده میشود. به این منظور از دادههای دبی رسوب معلق و دبی متناظر اندازهگیری شده در بعضی از روزهای سال استفاده میشود و منحنی سنجه رسوب رودخانه تعیین میگردد. منحنی سنجه رسوب یکی از معمولترین روشهای برآورد بار رسوب معلق رودخانهها است .
پژوهشها نشان میدهد مدلهای مبتنی بر منحنی سنجه برآورد بیشتری از مقدار رسوب دارند 7] و [8 و با اصلاح انحراف مدلها نیز بیشتخمینی وجود خواهد داشت بعضی پژوهشها رابطهی ضعیف بین رسوب و دبی خروجی آبخیزها را نشان دادهاند.
ترمبلی و همکاران [11] با بررسی رابطهی بین دبی رودخانه و رسوب معلق خروجی 208 ایستگاه در آمریکا، اعلام نمودند که تنها در 98 رودخانه رابطهی مناسبی بین دبی و رسوب وجود دارد که حاکی از عدم جامع بودن روش منحنی سنجه رسوب جهت تخمین میزان رسوب معلق حوضهها میباشد. به علت پیچیدگی فرآیند فرسایش و تولید رسوب و نیز به دلیل تاثیر پارامترهای مختلف و زیاد دخیل در ایجاد آنها، استفاده از روشهای هوشمند و مدلهای جعبهی سیاه و غیر خطی که بتوانند شبیهسازی غلظت رسوب را دقیق و با پارامترهای ورودی کم انجام دهند ضروری است.
از این رو، استفاده از هوش محاسباتی نظیر: شبکههای عصبی مصنوعی - - ANN1 ، ماشین بردار پشتیبان SVM 2 - - ، حداقل مربعات ماشین بردار پشتیبان - LS-SVM - 3 و... ابزار مناسبی برای شبیهسازی و برآورد متغیرهای کیفی آب رودخانه مانند غلظت رسوب معلق محسوب می گردند، محققان در چند دههی اخیر، به دنبال به کارگیری این شیوههای مدلسازی در زمینه برآورد غلظت رسوب معلق رودخانهها بودهاند.
سیمن [12] با استفاده از مدل SVM و کرنل گوسی غلظت رسوب معلق را تخمین زد. نتایج این مطالعه نشان داد مدل SVM میتواند بار رسوب را بدون ایجاد مقادیر منفی پیشبینی کند. جی و یو [13] برای پیشبینی بار رسوب معلق رودخانهی کائوپینگ تایوان از ماشین بردار پشتیبان و شبکهی عصبی استفاده کردند. نتایج نشان داد مدل ماشین بردار پشتیبان از توانایی بیشتری نسبت به مدل شبکه ی عصبی برخوردار است. از مدلهای حداقل مربعات ماشین بردار پشتیبان ، شبکهی عصبی مصنوعی و منحنی سنجه رسوب - SRC4 - به منظور پیشبینی به صورت جداگانه برای دادههای رسوب بالادست و پاییندست ایستگاه مورد مطالعه استفاده شد. نتایج مقایسهی مدلها نشان داد که مدل LS-SVM عملکرد بهتری نسبت به روش ANN داشته است و دو مدل LS-SVM و ANN عملکرد بسیار بهتری نسبت به مدل SRC داشتهاند .
کاکائیلفدانی و همکاران [15] بهمنظور بررسی تواناییهای SVM و ANN برای پیشبینی بار رسوب معلق روزانه - SSL1 - در رودخانهی دویرج، واقع در بخش غرب ایران، از بارش، بهعنوان ورودی مدل و از SSL بهعنوان خروجی مدل استفاده کردند. بهترین ورودی از مدل SVM و ANN با استفاده از ترکیبی از تست گاما و الگوریتم ژنتیک شناسایی شد. نتایج به دست آمده نشان داد که مدل ANN، با استفاده از آزمون گاما برای انتخاب ورودی دارای عملکرد بهتری است و اینکه آزمون M میتواند بهعنوان یک روش جدید برای تعیین تعداد دادههای مورد نیاز برای آموزش2 شبکه استفاده شود.
نورانی و عندلیب برای پیشبینی SSL روزانه و ماهانهی رودخانهی میسیسی پی، از موجک که براساس مدل حداقل مربعات ماشین بردار پشتیبان - WLSSVM3 - پایه ریزی شدهاست؛ استفاده کردند. ابتدا میزان SSL را با استفاده از ترکیب دو مدل حداقل مربعات ماشین بردار پشتیبان و شبکه ی عصبی مصنوعی پیشبینی کرده، سپس جریان رودخانه و SSL داخل زیر سیگنالهای موجک تجزیه شده و سپس این سریهای زمانی جهت شبیهسازی رابطه دبی-رسوب وارد مدل LS-SVM و ANN شد. در نهایت، توانایی WLSSVM با مدلهای دیگر در چندین گام زمانی بهمنظور پیشبینی بار رسوبی معلق بررسی شد. نتایج نشان داد که پیشبینی بار رسوبی معلق روزانه توسط LS-SVM نسبت به مدل ترکیبی با ANN ارجحیت دارد. اما، پیشبینی بار رسوبی در مقیاس ماهانه برخلاف مقیاس روزانه، در مدل ANN نتایج بهتری داشت.
بسیاری از محققان در زمینههای دیگر، از روش حداقل مربعات ماشین بردار پشتیبان استفاده کردهاند: در برآورد تبخیر-تعرق مرجع [17]، پیشبینی سطح ایستابی[18]، پیشبینی رواناب روزانه [19]، طراحی شبکهی پایش سطح آب زیرزمینی [20] و... نتایج حاصل از همهی این تحقیقات، نشان دهندهی دقت مناسب روش حداقل مربعات ماشین بردار پشتیبان بود.
در این تحقیق از مدل هوشمند، غیرخطی و جعبهی سیاه حداقل مربعات ماشین بردار پشتیبان به منظور شبیهسازی غلظت رسوب ایستگاه ارازکوسه در استان گلستان استفاده گردید. سپس نتایج حاصل با غلظت رسوب تخمین زده شده با روش SRC مقایسه شد.
-2مواد و روشها
منطقهی مورد مطالعه
حوضه آبخیز گرگانرود با مساحت 14119 کیلومتر مربع یکی ازحوضههای شمال شرق کشور بوده که بخش وسیعی از آن در استان گلستان واقع میباشد. این حوضه از جنوب مشرف به سلسله جبال البرز شرقی، ازشرق به کوههای آلاداغ و گلیداغ، از شمال به حوضه آبخیز اترک و از غرب به دریای خزر وحوضه آبخیز قرهسو محدود میشود. مهمترین منبع آبهای سطحی، حوضه گرگانرود و شاخههای فرعی منتهی به آن میباشد. این رودخانه از ارتفاعات رشته کوه البرز سرچشمه گرفته - سرشاخه زاو - و پس از الحاق سرشاخه های دوغ و اوغان در بالادست شهر گنبد و سرشاخه های ارازکوسه - نرماب، چهل چای و خرمالو - ، رامیان، قرهسو زرینگل و محمدآباد در پاییندست شهر گنبد به دریا میریزد.
