نشریه آبیاری و زهکشی ایران

نشریه آبیاری و زهکشی ایران

تخمین بار رسوب معلق با استفاده از مدل‌های مبتنی بر یادگیری ماشین (مطالعه موردی: ایستگاه ده ملا رودخانه زهره)

نوع مقاله : مقاله پژوهشی

نویسندگان
امیر حسین رمضانی فریز 1
یوسف رمضانی 2
محمد ناظری تهرودی 3
دیپاک جاجاریا 4
1 دانشجوی کارشناسی ارشد، گروه علوم و مهندسی آب، دانشگاه بیرجند، بیرجند، ایران.
2 گروه علوم و مهندسی آب دانشگاه بیرجند
3 استادیار، گروه علوم و مهندسی آب، دانشگاه لرستان، خرم آباد، ایران.
4 استاد، گروه مهندسی حفاظت آب و خاک، دانشگاه مرکزی کشاورزی، گنگتوک، هند.
چکیده
پیش‌بینی دقیق بار رسوب معلق، به‌عنوان یکی از مهم‌ترین پارامترهای مدیریتی در حوزه‌های آبخیز، نقش کلیدی در طراحی سازه‌های هیدرولیکی، کنترل سیلاب، حفاظت منابع آبی و کاهش خسارات ناشی از رسوب‌گذاری ایفا می‌کند. با توجه به پیچیدگی‌های رفتاری این پدیده و اثرگذاری عوامل متعدد بر آن، استفاده از مدل‌های دقیق و قابل اعتماد ضرورت دارد. در این پژوهش، عملکرد سه مدل یادگیری ماشین شامل جنگل تصادفی (RF)، رگرسیون فرآیند گاوسی (GPR) و مدل K-Star در پیش بینی بار رسوب معلق رودخانه زهره در ایستگاه هیدرومتری ده‌ملا مورد بررسی قرار گرفته است. برای ارزیابی دقت مدل‌ها از شاخص‌های آماری RMSE، R²، NSE و KGE در دو فاز آموزش و آزمایش استفاده شد. همچنین، نمودارهای پراکندگی و دیاگرام تیلور به‌منظور تحلیل گرافیکی عملکرد مدل‌ها و سنجش میزان قطعیت پیش‌بینی‌ها به‌کار گرفته شدند. نتایج حاصل نشان داد که مدل جنگل تصادفی با ثبت مقادیر 97/0R² =، 96/0NSE=، 88/0KGE= و 26982RMSE = تن در روز در فاز آزمایش، بهترین عملکرد را ارائه کرده و نزدیک‌ترین موقعیت را به نقطه مرجع در دیاگرام تیلور داشت. مدل GPR نیز دقت نسبتاً بالایی به‌ویژه در پیش‌بینی‌های با نوسانات ملایم از خود نشان داد و در جایگاه دوم قرار گرفت. در مقابل، مدل K-Star به‌ویژه در تخمین مقادیر زیاد بار رسوب معلق، عملکرد ضعیف‌تری داشت و نسبت به نوسان‌های آماری حساس‌تر عمل کرد. یافته‌های این تحقیق نشان داد که مدل‌های پیشرفته یادگیری ماشین، به‌ویژه مدل‌های انعطاف‌پذیر و مقاومی مانندRF، می‌توانند به‌عنوان ابزارهایی مؤثر در پیش‌بینی رفتار پیچیده رسوبات معلق در مطالعات مهندسی رودخانه‌ها مورد استفاده قرار گیرند و در تصمیم‌گیری‌های مدیریتی نقش مهمی ایفا کنند.
کلیدواژه‌ها
جنگل تصادفی
رگرسیون فرآیند گاوسی
شبیه‌سازی
مدل‌های یادگیری ماشین
K-Star

عنوان مقاله English

Estimation of Suspended Sediment Load Using Machine Learning Models (Case Study: Deh Molla Station, Zohreh River)

نویسندگان English

Amir Hossein Ramezani Feriz 1
Yousef Ramezani 2
Mohammad Nazeri Tahroudi 3
Deepak Jhajharia 4
1 M.Sc. Student, Department of Water Engineering, University of Birjand, Birjand, Iran.
2 Department of Water Engineering, University of Birjand
3 Assistant Professor, Department of Water Engineering, Lorestan University, Khorramabad, Iran.
4 Professor, Department of Soil and Water Conservation Engineering, Central Agricultural University, Gangtok, India.
چکیده English

Accurate prediction of suspended sediment load, as one of the most important management parameters in watershed areas, plays a key role in the design of hydraulic structures, flood control, water resource protection, and reduction of damage caused by sedimentation. Given the complexities of this phenomenon and the influ-ence of multiple factors on it, the use of accurate and reliable models is essential. In this study, the performance of three machine learning models, including Random Forest (RF), Gaussian Process Regression (GPR), and K-Star model, in estimating the suspended sediment load of the Zohreh River at the Deh Molla hydrometric station was investigated. To evaluate the accuracy of the models, statistical indices such as RMSE, R², NSE, and KGE were used in both train and test phases. Additionally, scatter plots and Taylor diagrams were employed for graphical analysis of model performance and assessment of the certainty of predictions. The results indicated that the Random Forest model, with values of R² = 0.97, NSE= 0.96, KGE= 0.88, and RMSE = 26982 tons per day in the test phase, demonstrated the best performance and was the closest to the reference point in the Tay-lor diagram. The GPR model also showed relatively high accuracy, especially in predictions with mild fluctua-tions, ranking second. In contrast, the K-Star model exhibited weaker performance, particularly in estimating high suspended sediment load values, and was more sensitive to statistical fluctuations. The findings of this re-search showed that advanced machine learning models, especially flexible and robust models like RF, can be effectively used as tools for predicting the complex behavior of suspended sediment load in river engineering studies and play a significant role in management decision-making.

کلیدواژه‌ها English

Gaussian Process Regression
K-Star
Machine Learning Models
Random Forest
Simulation
اعلمی، م.، نورانی، و. و نظم آرا، ح. 1388. قابلیت شبکه های عصبی مصنوعی جهت مدل سازی چند ایستگاهه بار معلق در مقایسه با روش منحنی سنجه رسوب. دانش آب و خاک (دانش کشاورزی). 19/1 (2): 55-45.
بیات، م.، اخوان، ر.، حیدری مستعلی، س. و حمیدی، س. ک. 1401. مقایسه مدل های جنگل تصادفی، ماشین بردار تصمیم­گیری و رگرسیون خطی چند متغیره در ارزیابی تنوع زیستی جنگل­های هیرکانی. محیط شناسی. 48 (4 ): 530-513.
ثاقبیان، س. م. 1400. تخمین بار معلق رسوبی با استفاده از روش­های هوشمند تلفیقی با در نظر گرفتن عدم قطعیت مدل. آب و خاک (علوم و صنایع کشاورزی). 35 (4 ): 488-475.
دنیادیده، م. و رستمی راوری، ا. 1395. ارزیابی معادلات رسوب در تخمین بار معلق رودخانه دالکی. کنفرانس هیدرولیک ایران.
روشنگر، ک. و اخگر، س. 1398. بررسی پارامترهای هیدرولیکی تاثیرگذار بر آبشستگی پایین دست سازه­های کنترل با استفاده از روش رگرسیون فرآیند گاوسی. مجله آبیاری و زهکشی ایران. 13 (6 ): 1868-1858.
فضل الهی، ع. 1395. برآورد رسوب بار معلق رودخانه با بهره­گیری از شبکه عصبی مصنوعی. همایش ملی علوم و مهندسی آبخیزداری ایران (توسعه مشارکتی در مدیریت حوزه های آبخیز).
Abda, Z., Zerouali, B., Alqurashi, M., Chettih, M., Santos, C. A. G. and Hussein, E. E. 2021. Suspended sediment load simulation during flood events using intelligent systems: a case study on semiarid regions of Mediterranean Basin. Water. 13(24): 3539.
Alizadeh Gharaei, M. S., Ramezani, Y. and Nazeri Tahroudi, M. 2024. Toward coupling of nonlinear support vector regression and crowd intelligence optimization algorithms in estimation of suspended sediment load. Applied Water Science. 14(9): 192.
Bezak, N., Lebar, K., Bai, Y. and Rusjan, S. 2025. Using Machine Learning to Predict Suspended Sediment Transport under Climate Change. Water Resources Management. 1-16.
Ehteram, M., Ghotbi, S., Kisi, O., Najah Ahmed, A., Hayder, G., Ming Fai, C. ... and EL-Shafie, A. 2019. Investigation on the potential to integrate different artificial intelligence models with metaheuristic algorithms for improving river suspended sediment predictions. Applied Sciences. 9(19): 4149.
Ekmekcioğlu, Ö., Başakın, E. E. and Özger, M. 2022. Tree-based nonlinear ensemble technique to predict energy dissipation in stepped spillways. European Journal of Environmental and Civil Engineering. 26(8): 3547-3565.
Hamed, K. H. 2009. Enhancing the effectiveness of prewhitening in trend analysis of hydrologic data. Journal of hydrology. 368(1-4): 143-155.
Hamed, K. H. and Rao, A. R. 1998. A modified Mann-Kendall trend test for autocorrelated data. Journal of hydrology. 204(1-4): 182-196.
Karami, H., DadrasAjirlou, Y., Jun, C., Bateni, S. M., Band, S. S., Mosavi, A. ... and Chau, K. W. 2022. A novel approach for estimation of sediment load in Dam reservoir with hybrid intelligent algorithms. Frontiers in Environmental Science. 10: 821079.
Kendall, M. G. 1948. Rank correlation methods.
Khalili, K., Tahoudi, M. N., Mirabbasi, R. and Ahmadi, F. 2016. Investigation of spatial and temporal variability of precipitation in Iran over the last half century. Stochastic environmental research and risk assessment. 30: 1205-1221.
Khalilivavdareh, S., Shahnazari, A. and Sarraf, A. 2022. Spatio-temporal variations of discharge and sediment in rivers flowing into the anzali lagoon. Sustainability. 14(1): 507.
Kisi, O. and Shiri, J. 2012. River suspended sediment estimation by climatic variables implication: Comparative study among soft computing techniques. Computers & Geosciences. 43: 73-82.
Kisi, O. and Yaseen, Z. M. 2019. The potential of hybrid evolutionary fuzzy intelligence model for suspended sediment concentration prediction. Catena. 174: 11-23.
Kohavi, R. and John, G. H. 1997. Wrappers for feature subset selection. Artificial intelligence. 97(1-2): 273-324.
Mann, H. B. 1945. Nonparametric tests against trend. Econometrica: Journal of the econometric society. 245-259.
Mohammadi, B., Guan, Y., Moazenzadeh, R. and Safari, M. J. S. 2021. Implementation of hybrid particle swarm optimization-differential evolution algorithms coupled with multi-layer perceptron for suspended sediment load estimation. Catena. 198: 105024.
Nourani, V. and Andalib, G. 2015. Daily and monthly suspended sediment load predictions using wavelet based artificial intelligence approaches. Journal of Mountain Science. 12: 85-100.
Olyaie, E., Banejad, H., Chau, K. W. and Melesse, A. M. 2015. A comparison of various artificial intelligence approaches performance for estimating suspended sediment load of river systems: a case study in United States. Environmental monitoring and assessment. 187: 1-22.
Pronoos Sedighi, M., Ramezani, Y., Nazeri Tahroudi, M. and Taghian, M. 2023. Joint frequency analysis of river flow rate and suspended sediment load using conditional density of copula functions. Acta Geophysica. 71(1): 489-501.
Rezaei, K. and Vadiati, M. 2020. A comparative study of artificial intelligence models for predicting monthly river suspended sediment load. Journal of Water and Land Development.
Rezaei, K., Pradhan, B., Vadiati, M. and Nadiri, A. A. 2021. Suspended sediment load prediction using artificial intelligence techniques: comparison between four state-of-the-art artificial neural network techniques. Arabian Journal of Geosciences. 14(3): 215.
Sadeghian Agkandy, M., Rezaie, H., Khalili, K. and Ahmadie, F. 2024. Investigating the Performance of Kstar and GPR Algorithms in Modeling RDI Meteorological Drought Index (Case Study: East of Urmia Lake Basin). Journal of Civil and Environmental Engineering. 54(114): 142-151.
Salih, S. Q., Sharafati, A., Khosravi, K., Faris, H., Kisi, O., Tao, H. ... and Yaseen, Z. M. 2020. River suspended sediment load prediction based on river discharge information: application of newly developed data mining models. Hydrological Sciences Journal. 65(4): 624-637.
Samantaray, S., Sahoo, A., Satapathy, D. P., Oudah, A. Y. and Yaseen, Z. M. 2024. Suspended sediment load prediction using sparrow search algorithm-based support vector machine model. Scientific Reports. 14(1): 12889.
Yilmaz, B., Aras, E., Kankal, M. and Nacar, S. 2019. Prediction of suspended sediment loading by means of hybrid artificial intelligence approaches. Acta Geophysica. 67: 1693-1705.
نشریه آبیاری و زهکشی ایران
دوره 19، شماره 4 - شماره پیاپی 113
مهر و آبان 1404
صفحه 683-698