ارائه روشی مبتنی بر هیدرولیک جریان و مدل یادگیری ماشین برای پیش بینی دبی سیلاب رودخانه ها

چکیده مبسوط مقدمه: تخمین صحیح دبی جریان سیلاب در رودخانه‎ها موضوع مهمی بوده و نقش قابل‎توجهی در استفاده بهینه از منابع آب، بهره‎برداری از مخازن سدها و نیز طراحی و برنامه ریزی پروژه های آبی ایفا می کند. مواد و روش ها: در این تحقیق برای تخمین دبی سیلاب، از روشی ساده و مفهومی براساس معادله مانینگ تحت شرایط واقعی جریان استفاده شده است. در این روش، ابتدا برای تاثیر توام شیب انرژی و ضریب زبری مانینگ، پارامتر آلفا (α) تعریف شده و برای ۱۲ ایستگاه هیدرومتری واقع در سه رودخانه اصلی استان گلستان (شامل گرگانرود، اترک و قره­سو) محاسبه شد. یافته ها: نتایج نشان داد که مقدار این پارامتر با افزایش عمق جریان کاهش یافته و در نهایت به‎صورت مجانب تقریبا به یک مقدار ثابت می‎رسد. این رفتار نشان می دهد که به ازاء عمق ­های زیاد جریان در رودخانه که بیانگر وقوع سیلاب می ­باشد، مقدار α ثابت شده و با استفاده از این عدد ثابت و نیز معادله مانینگ، می­توان دبی سیلاب رودخانه را برآورد نمود. در گام بعدی، سعی شد بین این پارامتر و عمق جریان، یک رابطه رگرسیونی ارائه شود. نتایج مدل­سازی رگرسیونی نشان داد که برای اغلب ایستگاه­ های هیدرومتری، ضریب تعیین (R۲) روابط ارائه شده کوچکتر از ۰/۳ بوده و دارای کارایی لازم نیست. به‎همین دلیل برای بیان این ارتباط با کارایی و دقت بیشتر، از مدل های یادگیری ماشین استفاده شد. به این منظور پارامتر α به‎کمک مدل­های شبکه عصبی (ANN)، درخت تصمیم (M۵tree) و ماشین بردار رگرسیونی (SVR) مدل‎سازی شد. نتیجه گیری: نتایج مدل­سازی نشان داد که مدل درخت تصمیم با میانگین خطای مطلق ۰/۳۵، ضریب تعیین ۰/۸۸ و خطای میانگین جذر مربعات ۰/۸۶ در مرحله آزمون بهترین دقت را دارا می ­باشد. بعد از تعیین پارامتر α، مقدار دبی سیلاب پیش­بینی گردید. بهترین عملکرد در بین مدل‎ها را درخت تصمیم در پیش‎بینی دبی جریان در رودخانه‎ها دارا بود، که پس از مقایسه با مقادیر مشاهداتی، مدل درخت تصمیم با میانگین خطای مطلق ۱/۳۲، ضریب تعیین ۰/۸۹ و خطای میانگین جذر مربعات ۳/۶۳ در مرحله آزمون بهترین دقت را دارا می‎باشد.

Keywords:

Flood Discharge , Manning Roughness Coefficient , Machine Learning Models , Regression Model , دبی سیلاب , ضریب زبری مانینگ , مدل رگرسیونی , مدل یادگیری ماشین