دانشگاه ایلام مدیریت جامع حوزه های آبخیز 2783-4581 4 2 2024 06 21 Comparison of the efficiency of sediment rating curve and learning models for estimating suspended sediment load in karst rivers (Case study: Hydrometric stations of Khorram Abad, Alshatar and Biranshahr watersheds) مقایسه کارایی منحنی سنجه‌رسوب و مدل‌های یادگیری در برآورد رسوب معلق رودخانه‌های کارستی (مطالعه موردی: ایستگاه‌های هیدرومتری حوضه‌های خرم‌آباد، الشتر و بیرانشهر) 50 65 711754 10.22034/iwm.2024.2016652.1118 FA نسرین بیرانوند گروه مهندسی مرتع و آبخیزداری، دانشکده منابع طبیعی، دانشگاه لرستان، لرستان، ایران علیرضا سپه وند گروه مهندسی مرتع و آبخیزداری، دانشکده منابع طبیعی، دانشگاه لرستان، لرستان، ایران 0000-0002-2299-2085 علی حقی زاده گروه مهندسی مرتع و آبخیزداری، دانشکده منابع طبیعی، دانشگاه لرستان، لرستان، ایران 0000-0002-0928-827X Journal Article 2023 12 13 <strong>Extended Abstract</strong> <strong>Introduction: </strong>Sediment transport by surface flows is one of the primary processes responsible for reshaping the Earth's surface. This process is widely expressed in the shape of river drainage systems and their alluvial deposits, which dominate the geomorphology of large areas of the Earth's surface and are responsible for the majority of sediment from land to oceans. One of the most important problems threatening dams is the sediment inputs to the dam reservoir. Due to various problems, estimating the volume of sediments is a complicated process. So, some methods have been created by researchers to overcome these problems. Modeling of suspended sediment load (SSL) is an important subject for decision-makers in the catchment. Accurate and reliable modeling of SSL is one of the important subjects for planning, managing, and designing soil and water structures in the drainage networks. The purpose of this study was to compare the efficiency of Sediment Rating Curve (SRC) and Machine Learning Algorithms (MLA) for estimating SSL in karst rivers in Bahram Joo, Cham Anjir, Sarab Seyd Ali, and Kakareza hydrometric stations in Lorestan province, Iran. <strong>Materials and Methods: </strong>In this study, a rating curve and five soft computing techniques, Support Vector Machine with RBF kernel (SVM-RBF), Support Vector Machine with PUK kernel (SVM-PUK), Gaussian processes with PUK kernel (GP-PUK), Gaussian processes with RBF kernel (GP-RBF), M5P, reduced error pruning tree (REPTree), and Random Forest (RF) were used and evaluated. They were used to predict SSL in the Kashkan watershed, Iran. Cham Anjir, Bahram Joo, Sarb Seyd Ali, and Kakareza stations were selected for this study. The data of temperature, rain, discharge, and SSL of 20 years (2001–2021) were utilized as input and output parameters. Thus, four stations with a long-term data were selected. The total dataset consists of temperature, rain, discharge, and SSL of watersheds, of which 70% of the data were used for training and 30% for the testing phase. Finally, the models’ accuracy was assessed using three performance evaluation parameters: Correlation Coefficient (C.C.), Root Mean Square Error (RMSE), and Maximum Absolute Error (MAE). <strong>Results and Discussion: </strong>Results showed that the soft computing methods (SVM-PUK, GP-PUK, GP-RBF, M5P, REPTree, and RF) performed better than the traditional technique (SRC), as they made use of non-linear techniques for data reconstruction. It can be concluded that, among all the models, the M5P model, which used decomposed data that captured the dynamic features of the non-linear and non-stationary SSL time series data, performed better than other models. The SRC performed with a C.C of 0.5941. The best M5P model (best among soft computing methods) scored a mean C.C of about 0.89, surpassing the best SRC results. Although it captured the peaks better than SRC, it still overestimated the sediment load and was unable to capture the peak sediment rates, which are of great importance for design purposes. <strong>Conclusion: </strong>Sediments carried by water are a serious problem, as they shorten the life of a reservoir, reduce the channel discharge-carrying capacity, especially to tail-end users, etc. Therefore, sediment management is the golden rule in river engineering, to which much effort and energy are directed. An important aspect of sediment management is sediment estimation, which is mostly found in a suspended form in rivers and other water bodies. This research focused on a comparison of the different methods of suspended sediment estimation in rivers. This includes the traditional method, i.e., SRC, and soft computing techniques, i.e., SVM-RBF, SVM-PUK, GP-PUK, GP-RBF, M5P, REPTree, and RF. The results of this study provide scientific information to predict SSL, and Soft Computing Techniques could be an efficient technique to simulate the SSL time series, because they extract key features embedded in the SSL signal. Finally, the results showed that the M5P model is effective in predicting suspended sediment content in the KhorammAbad, Biranshahr, and Alashter watersheds. <strong>چکیده</strong><strong> مبسوط</strong> <strong>مقدمه</strong>: انتقال رسوب توسط جریان­های سطحی یکی از فرآیندهای اولیه است که مسئول تغییر شکل سطح زمین می­باشد. روی زمین این فرآیند به­طور گسترده در قالب سیستم­های زهکشی رودخانه­ها و رسوبات آبرفتی بیان می­شود که بر ژئومورفولوژی مناطق وسیعی از سطح زمین اثر دارند و مسئول جریان رسوب از خشکی به اقیانوس­ها هستند. یکی از مهم­ترین مشکلاتی که مخزن ذخیره سدها را تهدید می­کند، ورود رسوبات است. به دلیل مشکلات مختلف، تخمین حجم رسوبات فرآیندی پیچیده است؛ بنابراین روش­هایی توسط محققان برای حل این مشکل ابداع شده­اند. مدل‌سازی بار رسوب معلق موضوع مهمی برای تصمیم‌گیرندگان در سطح حوضه است. مدل­سازی دقیق و مطمئن بار رسوب معلق یکی از موضوعات مهم برای برنامه­ریزی، مدیریت و طراحی سازه­های ذخیره آب در شبکه زهکشی است. لذا هدف این مطالعه مقایسه کارایی منحنی سنجه‌رسوب و الگوریتم‌های یادگیری ماشین برای تخمین بار رسوب معلق در رودخانه‌های کارستی در ایستگاه­های هیدرومتری بهرام­جو، چم­انجیر، سراب صیدعلی و کاکارضا، استان لرستان، ایران بود. <strong>مواد و روش­ها : </strong>در این مطالعه منحنی سنجه‌رسوب و پنج مدل، ماشین­بردار پشتیبان با کرنل RBF  (SVM-RBF)، ماشین­بردار پشتیبان با کرنل  PUK  (SVM-PUK)، فرآیندهای گاوسی با کرنل PUK (GP-PUK)، فرآیندهای گاوسی با کرنل RBF (GP-RBF)،  M5P، REEP Tree و جنگل تصادفی (RF) برای پیش­بینی بار رسوب معلق در حوزه­آبخیز کشکان، ایران مورداستفاده قرار گرفتند. ایستگاه­های چم­انجیر، بهرام­جو، سراب صیدعلی و کاکارضا برای بررسی در این پژوهش انتخاب شدند. داده­های دما، باران و دبی به­عنوان پارامترهای ورودی و بار رسوب معلق به‌عنوان پارامتر خروجی استفاده شدند. دوره آماری داده­ها 20 سال (2001-2021) انتخاب شده­اند. مجموعه داده‌های این تحقیق شامل دما، باران، دبی و بار رسوب معلق سه زیرحوضه است که 70 درصد داده‌ها برای آموزش و 30 درصد داده‌ها برای مرحله آزمایش استفاده شدند. درنهایت، دقت مدل‌ها با استفاده از سه پارامتر ارزیابی عملکرد، ضریب همبستگی، ریشه میانگین مربعات خطا و میانگین خطای مطلق مورد ارزیابی قرار گرفت. <strong>نتایج و بحث: </strong>نتایج نشان داد که مدل­های SVM-PUK، GP-PUK، GP-RBF، M5P، REEP Tree و RF دارای کارایی بیشتری نسبت به روش منحنی سنجه‌رسوب بودند، زیرا از تکنیک‌های غیرخطی برای بازسازی داده‌ها استفاده می­کنند. علاوه بر این، از بین همه مدل‌ها، مدل M5P که از داده‌های تجزیه‌شده استفاده می‌کرد و ویژگی‌های دینامیکی داده‌های سری زمانی بار رسوب معلق غیرخطی و غیرثابت را به تصویر می‌کشید، کارایی بهتر و بالاتری در تخمین رسوب معلق نسبت به دیگر مدل­ها از خود نشان داد. بهترین ضریب تبیین نتایج منحنی سنجه­رسوب برابر 5941/0 بود. مدل M5P بهترین ضریب تبیین را حدود 89/0 را نشان داد که کارایی بالاتری نست به منحنی سنجه­رسوب بود. اگرچه این مدل نقاط اوج رسوب معلق را بهتر از SRC نشان داد، اما باز هم بار رسوب را بیش از حد مشاهداتی تخمین می‌زد و نمی‌توانست مقادیر اوج رسوب معلق را که برای اهداف طراحی از اهمیت بالایی برخوردار هستند، را به­طور دقیق نشان دهد. <strong>نتیجه ­گیری: </strong>رسوبات حمل شده توسط آب مشکلات جدی ایجاد می­کند، ازجمله عمر مخزن سدها را کوتاه می­کنند و ظرفیت تخلیه کانال را به­ویژه در انتهایی رودخانه­ها کاهش می­دهند. بنابراین، مدیریت رسوب قانون طلایی در مهندسی رودخانه است که تلاش و انرژی زیادی برای انجام آن صرف می­شود. یکی از جنبه­های مهم مدیریت رسوب، تخمین رسوب است که بیشتر به‌صورت معلق در رودخانه­ها و دیگر توده­های آبی یافت می­شود. این تحقیق بر مقایسه مدل­های مختلف تخمین رسوب معلق در رودخانه‌ها انجام شده است. این تحقیق شامل روش سنتی، یعنی منحنی سنجه‌رسوب و الگوریتم­های یادگیری، یعنی SVM-PUK، GP-PUK، GP-RBF، M5P، REEP Tree و RF است. نتایج این مطالعه ارائه اطلاعات علمی برای پیش‌بینی بار رسوب معلق است و الگوریتم­های یادگیری می‌توانند یک تکنیک کارآمد برای شبیه‌سازی سری‌های زمانی بار رسوب معلق باشند زیرا ویژگی‌های کلیدی تعبیه‌شده در میزان بار رسوب معلق را استخراج می‌کنند. در نهایت نتایج این تحقیق نشان داد که مدل M5P در پیش‌بینی میزان رسوب معلق در حوضه‌های خرم‌آباد، بیرانشهر و الشتر دارای کارایی بالایی است. https://iwm.ilam.ac.ir/article_711754_8700f04134f2c712c95821202a1bc3d1.pdf