برآورد رسوبات معلق نواحی ساحلی دریای خزر با استفاده از تکنیک یادگیری ماشین

نوحانی, ابراهیم; باباعلی, حمیدرضا; دهقانی, رضا

doi:10.22077/jdcr.2025.8983.1121

برآورد رسوبات معلق نواحی ساحلی دریای خزر با استفاده از تکنیک یادگیری ماشین

نوع مقاله : مقاله پژوهشی

نویسندگان

ابراهیم نوحانی ¹

حمیدرضا باباعلی ²

رضا دهقانی ³

¹ استادیار، گروه مهندسی عمران، مرکز تحقیقات مواد و انرژی، واحد دزفول، دانشگاه آزاد اسلامی، دزفول، ایران

² دانشیار، گروه مهندسی عمران، واحد خرم آباد، دانشگاه آزاد اسلامی ، خرم آباد، ایران

³ دکترای علوم ومهندسی آب، بخش تحقیقات حفاظت خاک و آبخیزداری، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان لرستان، سازمان تحقیقات،

https://doi.org/10.22077/jdcr.2025.8983.1121

چکیده

مدل‌سازی رسوبات معلق موضوعی مهم برای تصمیم‌گیرندگان در سطح حوضه آبخیز است. مدل‌سازی دقیق و قابل‌اعتماد بار رسوب معلق برای برنامه‌ریزی، مدیریت و طراحی ساختارهای منابع آب و سیستم‌های رودخانه‌ای اهمیت دارد. در این تحقیق، یک رویکرد هوشمند ترکیبی جدید مبتنی بر رویکرد مدل رگرسیون بردار پشتیبان برای برآورد رسوبات رودخانه توسعه داده شده است. بدین منظور در این پژوهش از دو الگوریتم بهینه سازی شامل نهنگ و ازدحام ذرات برای مدلسازی میزان رسوبات معلق رودخانه بکار برده شد. جهت مدلسازی از آمار و اطلاعات ایستگاه هیدرومتری رودخانه بابلرود واقع در استان مازندران بعنوان مطالعه موردی طی 5 سناریو ترکیبی از پارامترهای ورودی در سالهای 1382 تا 1402 استفاده شد. به منظور ارزیابی عملکرد مدلها از معیارهای ارزیابی ضریب همبستگی، ریشه میانگین مربعات خطا، میانگین قدر مطلق خطا و ضریب نش ساتکلیف استفاده شد. نتایج نشان داد سناریو های ترکیبی در مدلهای مورد بررسی باعث بهبود عملکرد مدل می شود. همچنین نتایج حاصل از معیار ارزیابی نشان داد مدل رگرسیون بردار پشتیبان-موجک دارای ضریب همبستگی 962/0 ، ریشه میانگین مرعات خطا (ton/day) 344/0 ، میانگین قدر مطلق خطا (ton/day) 158/0 و ضریب نش ساتکلیف 970/0 در مرحله صحت سنجی برخوردار است. در مجموع نتایج نشان داد استفاده از مدلهای هوشمند مبتنی بر رویکرد رگرسیون بردار پشتیبان می تواند رویکردی موثر در پایداری مهندسی رودخانه باشد.

کلیدواژه‌ها

بابلرود

رگرسیون بردار پشتیبان

رسوبات معلق

مدلسازی

موضوعات

خشکسالی

Cimen, M. (2008).Estimation of daily suspended sediments using support vector machines. Hydrological Sciences Journal, 53 (3), 656-666. https://doi.org/10.1623/hysj.53.3.656
Dehghani, R., Babaali, H.(2023). Evaluation of Statistical Models and Modern Hybrid Artificial Intelligence in Simulation of Runoff Precipitation Process. Sustain. Water Resour. Manag, 8, 154-172. https://doi.org/10.1007/s40899-022-00743-9.
Dehghani, R., Torabi, H.(2021). Dissolved oxygen concentration predictions for running waters using hybrid machine learning techniques. Modeling Earth Systems and Environment, 6(2), 64-78. https://doi.org/10.1007/s40808-021-01253-x.
Doroudi, S., Sharafati, A., Mohajeri, H. (2021).Estimation of Daily Suspended Sediment Load Using a Novel Hybrid Support Vector Regression Model Incorporated with Observer-Teacher-Learner-Based Optimization Method.Complexity, 9(3), 532-545. https://doi.org/10.1155/2021/5540284
Eberhart R., Kennedy J. (1995). A New Optimizer Using Particle Swarm Theory Proc. Sixth International Symposium on Micro Machine and Human Science, Nagoya, Japan, Piscataway, NJ: IEEE Service Center, 39-43. https://doi.org/10.1109/MHS.1995.494215
Essam, Y., Huang, Y., Birima, A., Ahmed, A., El-Shafie, A.(2022).Predicting suspended sediment load in Peninsular Malaysia using support vector machine and deep learning algorithms. scientific reports , 12(2), 344-357. https://doi.org/10.1038/s41598-021-04419-w.
Goyal, M. K. (2014). Modeling of sediment yield prediction using the M5 model tree algorithm and wavelet regression.Water Resources Management, 28(7), 1991-2003. https://doi.org/10.1007/s11269-014-0590-6
Hassanpour, F., Sharifazari, S., Ahmadaali, K., Mohammadi, S., Sheikhalipour, Z.(2019). Development of the FCM-SVR Hybrid Model for Estimating the Suspended Sediment Load.KSCE Journal of Civil Engineering, 23(6), 2514-2523. https://doi.org/10.1007/s12205-019-1693-7.
Hou, W., Yin, G., Gu, J., Ma, N. (2023). Estimation of Spring Maize Evapotranspiration in Semi-Arid Regions of Northeast China Using Machine Learning: An Improved SVR Model Based on PSO and RF Algorithms. Water, 15(8), 558-568. https://doi.org/10.3390/w15081503
Kisi, O., Dailr, A. H., Cimen, M., Shiri, J. (2012). Suspended sediment modeling using genetic programming and soft computing techniques, Journal of Hydrology, 450(3), 48–58. https://doi.org/10.1016/j.jhydrol.2012.05.031
Malik, A., Tikhamarine, Y., Al-Ansari, N., Shahid, S., Sekhon, H.S., Pal, R., Rai, R., Pandey, K., Singh, P., Elbeltagi, A., Sammen, S. (2021). Daily pan-evaporation estimation in different agro-climatic zones using novel hybrid support vector regression optimized by Salp swarm algorithm in conjunction with gamma test. Engineering Applications of Computational Fluid Mechanics, 15(1), 1075-1094. https://doi.org/10.1080/19942060.2021.1942990
Mirjalili, S., and Lewis, A. (2016). The whale optimization algorithm. Advances in Engineering Software, .95(6), 51-67. https://doi.org/10.1016/j.advengsoft.2016.01.008.
Nayak, P., Venkatesh, B., Krishna, B., and Jain, S. K. (2013). Rainfall- runoff modeling using a conceptual, data-driven, and wavelet-based computing approach. Journal of Hydrology, 493(6), 57-67. https://doi.org/10.1016/j.jhydrol.2013.04.016
Nourani, V., Gokcekus, H., Gelete, G. (2021).Estimation of Suspended Sediment Load Using Artificial Intelligence-Based Ensemble Model.Complexity, 8(4), 122-136. https://doi.org/10.1155/2021/6633760
Rajaee, T., Nourani, V., Zounemat-Kermani, M., Kisi, O. (2011). River suspended sediment load prediction: application of ANN and wavelet conjunction model. Journal of Hydrologic Engineering, 16(2), 613–627. https://doi.org/10.1061/(ASCE)HE.1943-5584.0000347
Reddy, K., Saha, A.K. (2022). A modified Whale Optimization Algorithm for exploitation capability and stability enhancement. Heliyon, 8(10), 425-441. https://doi.org/10.1016/j.heliyon.2022.e11027
Shin, S., Kyung, D., Lee, S., Taik, & Kim, J., and Hyun, J. (2005). An application of support vector machines in a bankruptcy prediction model, Expert Systems with Applications, 28(4), 127-135. https://doi.org/10.1016/j.eswa.2004.08.009
Shrivatava, M., Prasad, V., Khare, R.(2015). Multi-objective optimization of water distribution system using particle swarm optimization. IOSR J. Mech. Civ. Eng, 12(1), 21–28. https://doi.org/10.5004/dwt.2021.26944
Vapnik, V.N. (1995). The Nature of Statistical Learning Theory. Springer, New York. https://doi.org/10.1007/978-1-4757-3264-1
Vapnik, V.N. (1998). Statistical learning theory. Wiley, New York. https://doi.org/10.1007/978-3-540-28650-9_8
Wang, D., Safavi, A.A., and Romagnoli, J.A.(2000). Wavelet-based adaptive robust M-estimator for non-linear system identification, AIChE Journal, 46(4), 1607-1615. https://doi.org/10.1002/aic.690460812
Wu, C. L., Chau, K. W. (2020). Rainfall–runoff modeling using an artificial neural network coupled with singular spectrum analysis. Journal of Hydrology, 399(3), 394-409. https://doi.org/10.1016/j.jhydrol.2011.01.017.