شبیه سازی رسوب معلق با استفاده از الگوریتم های یادگیری ماشینی و داده های بارش ماهواره CHIRPS با تاکید بر خوشه بندی داده ها و آزمون گاما، مطالعه موردی: حوزه آبخیز رامیان، استان گلستان

مقدمهچرخه فرسایش خاک، شامل برداشت، حمل و رسوبگذاری که رسوبدهی حوزه های آبخیز را کنترل می کند، شامل مجموعه ای از فرایندهای پیچیده و به شدت غیر خطی است. از سوی دیگر، عوامل تاثیرگذار در رسوبدهی حوزه های آبخیز بسیار متنوع بوده و با توجه به شرایط خاص اقلیمی، خاکشناسی، پوشش گیاهی، زمین شناسی، توپوگرافی و غیره در هر حوضه، وزن و نقش هر یک از عوامل یاد شده در تولید رسوب بسیار متفاوت است. تعیین و اندازه گیری دقیق این عوامل و ایجاد رابطه های ریاضی بین آن ها اغلب مشکل، پرهزینه، زمان­بر و با خطا همراه بوده است. این در حالی است که با استفاده از مدل های مبتنی بر هوش محاسباتی و به ­کارگیری تعداد محدودی از متغیر های دینامیک حوضه، می توان رفتار حوزه آبخیز را در تولید رسوب به خوبی شبیه سازی کرد. صرف­ نظر از نوع مدل­ های هوشمند، در اغلب پژوهش­ های انجام شده (به ویژه در تحقیقات داخلی)، شبیه­ سازی رسوب معلق به طور عمده، بر پایه متغیر دبی جریان بوده است و به نقش متغیرهایی نظیر بارش (به­ ویژه بارش اخذ شده از تصاویر ماهواره­ای) که در رسوبدهی حوضه ها موثرند، کمتر توجه شده است. علاوه بر بارش، چولگی داده های رسوب سنجی نیز از جمله مسایلی است که عدم شناخت و توجه به آن سبب کاهش کارایی مدل های برآوردگر خواهد شد. در پژوهش حاضر، نقش متغیر بارش روزانه اخذ شده از ماهواره CHIRPS در شبیه سازی رسوب معلق رودخانه­ قره­چای مورد بررسی قرار گرفته است. مواد و روش هابه منظور شبیه سازی غلظت رسوب معلق روزانه رودخانه­ قره­ چای در محل ایستگاه­ آب­ سنجی رامیان در استان گلستان، از شبکه عصبی مصنوعی پرسپترون چند لایه استفاده شد. به این منظور، از متغیرهای دبی جریان و دبی جریان پیشین در مقیاس ­های لحظه­ ای و روزانه و همچنین، متوسط بارش روزانه و پیشین حوضه اخذ شده از ماهواره CHIRPS برای یک دوره آماری ۳۷ ساله (۱۳۹۶-۱۳۵۹) به عنوان متغیرهای ورودی مدل، استفاده شد. جهت افزایش قدرت­ تعمیم­دهی مدل ها، از شبکه عصبی نگاشت خود سازمان­ده (برای خوشه ­بندی داده­ ها) و به منظور یافتن بهترین ترکیب متغیرهای ورودی، از آزمون گاما استفاده شد. در راستای افزایش کارایی آموزش شبکه، انواع توابع فعال­سازی و زیان و همچنین، الگوریتم جلوگیری از بیش ­برازش استفاده شد. به منظور بررسی تاثیر به کارگیری توابع فعال­سازی و زیان در برآورد رسوب معلق، سناریوهای مختلفی در نظر گرفته شد که در مجموع منجر به ساخت نه مدل شد. پس از آن، با استفاده از شاخص های صحت سنجی، میزان کارایی مدل ها در شبیه سازی رسوب معلق مورد بررسی و مقایسه قرار گرفت و سپس مدل برتر انتخاب شد. نتایج و بحثنتایج پژوهش حاضر، نشان داد که از بین مدل­ های مختلف، مدل شبکه عصبی با تابع فعال­سازی Huber و تابع زیان ReLU، با داشتن میانگین قدر مطلق خطا برابر ۳۶۸ میلی گرم در لیتر، ریشه میانگین مربعات خطا برابر ۵۹۷ میلی گرم در لیتر، ضریب ناش-ساتکلیف ۰.۸۷ و درصد اریبی ۲.۲- درصد، به عنوان مدل برتر انتخاب شد. نتایج همچنین نشان داد که استفاده از متغیر بارش، به عنوان یکی از عوامل مهم در ایجاد فرسایش و انتقال رسوب حوضه، سبب بهبود کارایی مدل­ ها شده است­. لذا با توجه به سهولت استفاده از داده­ های بارش ماهواره CHIRPS، می ‎توان در شبیه سازی رسوب معلق رودخانه­ ها، از این داده نیز به همراه سایر متغیرهای پیش­بینی کننده استفاده شود. نتیجه گیریدر شبیه­ سازی رسوب معلق، اغلب از متغیر دبی جریان به عنوان تنها متغیر پیش­ بینی کننده رسوب معلق استفاده می­ شود، این در حالی است که در حوضه هایی با رژیم های بارانی، یا بارانی-برفی، نقش بارش در تولید رواناب های سطحی و فرسایش خاک بسیار با اهمیت بوده است و نقش مهمی در تولید و انتقال رسوب حوضه دارد. اگرچه استفاده از داده­ های بارش اخذ شده از ایستگاه­ های باران­ سنجی زمینی، نقش موثری در افزایش کارایی مدل­ های داده مبنا در برآورد رسوب معلق داشته است، با این حال، تهیه صدها لایه مکانی توزیعی بارش روزانه از داده­ های نقطه ­ای ایستگاه­ های زمینی، استفاده از این متغیر را در شبیه­ سازی رسوب معلق حوضه با مشکلات فراوان (نظیر کمبود یا نامناسب بودن توزیع مکانی ایستگاه ­های باران سنجی، نواقص آماری، به کارگیری روش­ های میان­ یابی نامناسب و زمان­بر بودن انجام محاسبات) روبه­رو ساخته است. لذا، در عمل، اغلب از متغیر دبی جریان رودخانه به عنوان متغیر پیش­بینی کننده رسوب استفاده شده و کمتر از بارش استفاده می شود. یکی از راه­ حل­های برون رفت از مشکل یاد شده که در پژوهش حاضر به آن پرداخته شد، استفاده از داده های ماهواره ای CHIRPS است که برای اولین بار در این پژوهش مورد بررسی قرار گرفت. این داده ها از سال ۱۹۸۱ میلادی در دسترس است و به سادگی می ­تواند برای شبیه سازی رسوب معلق یا دیگر کاربردهای مرتبط با حوزه های آبخیز مورد استفاده قرار گیرد. نکته مهم دیگر که لازم است در شبیه سازی رسوب معلق به آن توجه شود، وجود چولگی زیاد در داده های رسوب سنجی بوده (داده های رسوب معلق و دبی جریان) که عدم توجه به آن در فرایند آموزش (یا واسنجی) و آزمون مدل­ ها منجر به ساخت مدل های ضعیف به لحاظ کارایی و وجود عدم قطعیت در صحت نتایج آن­ها خواهد شد. در این رابطه، لازم است از تبدیل های لگاریتمی و یا توابع مناسب فعال­سازی و زیان در فرایند آموزش استفاده شود که در این پژوهش به­ ترتیب دو تابع ReLU و Huber پیشنهاد شد. از نکات مهم دیگر، توجه به قدرت تعمیم دهی مدل ­های داده مبنا است که تا اندازه زیادی وابسته به داده های استفاده شده در فرایند واسنجی یا آموزش آن­ها است. این داده ها باید به گونه ای انتخاب شوند که ضمن آن که معرف داده ها در کل دوره آماری هستند، با دیگر مجموعه های داده (نظیر مجموعه های ارزیابی یا آزمون)، مشابه و از توزیع یکسان برخوردار باشند. با توجه به نتایج به دست آمده از پژوهش حاضر و به منظور افزایش کارایی مدل های شبکه عصبی مصنوعی در برآورد رسوب معلق ایستگاه­ های هیدرومتری حوزه های آبخیز، پیشنهاد می شود از تجارب به دست آمده در این پژوهش در دیگر ایستگاه­ های رسوب سنجی کشور نیز استفاده شود.

کلیدواژه ها:

بارش روزانه ، شبکه عصبی ، نگاشت خود سازمان ده ، رسوبدهی ، مدل