ارزیابی کارایی مدل درختان تصمیم‌گیری در برآورد رسوبات معلق رودخانه‌ای مطالعه موردی: حوضۀ رودخانه میمه

نوع مقاله: مقاله پژوهشی

نویسندگان

1 عضو هیات علمی دانشگاه پیام نور

2 مدرس گروه کشاورزی دانشگاه پیام نور مرکز ایلام

3 دانشجوی کارشناسی ارشد اقلیم شناسی در برنامه ریزی محیطی- دانشگاه پیام نور مرکز اصفهان( نویسنده مسئول)

چکیده

به دلیل اهمیت و نقش پدیدۀ انتقال رسوب در مبحث حوضه‌های آبریز، از جمله ساماندهی رودخانه‌ها که به منظور مهار فرسایش و رسوب‌گذاری و یا تثبیت بستر و دفع سیلاب انجام می‌گیرد، آگاهی و تعیین میزان رسوب حمل شده توسط رودخانه از دیرباز مورد توجه قرار گرفته است. هدف از انجام این تحقیق، تعیین کارایی مدل درختان تصمیم‌گیری (به‌عنوان یکی از روش‌های داده کاوی) در برآورد رسوبات معلق رودخانه میمه است. داده‌های مورد استفاده شامل دبی رسوب و دبی آب است که به‌صورت متناظر برداشت شده بود و همچنین بارش و دبی‌های روزانه مربوط به دورۀ آماری از سال 1347-1346 تا سال 1389-1388. پس از پردازش داده‌ها، تعداد 554 رکورد که آمار دبی و رسوب متناظر آنها موجود بود، انتخاب و نتایج به‌دست آمده با روش مرسوم منحنی سنجه رسوب مقایسه شد. برای مقایسۀ نتایج از معیارهای آماری ­R، RMSE، MAE، r2 و Bias  استفاده شده است. سپس برای بررسی تأثیر بارش‌ها و دبی‌های روزانه در دقت برآورد رسوب توسط مدل درختی، در گام دوم داده‌های مربوط به بارش و دبی‌های روزانه به مدل اضافه گردید. بر اساس نتایج به دست آمده، مدل درخت تصمیم‌گیری نتایج قابل قبولی را درجهت شبیه‌سازی بار معلق در ایستگاه مورد مطالعه ارائه کرده است. به‌طوری‌که بر اساس معیارهای  RMSE،MAE، r2 و Bias درخت تصمیم‌گیری نسبت به منحنی سنجۀ رسوب با خطای کمتری رسوبات را برآورد کرده است. همچنین نتایج بیانگر این مطلب است که ورود داده‌های بارش و دبی روزانه تغییر زیادی در نتایج ایجاد نکرده و میزان رسوبات با دبی‌های متناظر بیشترین همبستگی را دارد

کلیدواژه‌ها


عنوان مقاله [English]

Evaluating the Performance of Decision Tree Model in Estimating the Suspended Sediments of river (A case study on the Basin of Meimeh River)

نویسندگان [English]

  • Amirhosein Halabian 1
  • majid javari 1
  • Zeinab Akbari 2
  • Golbahar Akbari 3
چکیده [English]

Understanding and determining the amount of carried sediment by river have been considered by experts because of the importance and the role of sediment transfer in water-shed basins subject , among them is rivers organizing that carry out for erosion and sedimentation control or river-bed stabilization and flood eject. The current study aims at determining the efficiency of decision tree model in estimating suspended sediment of Meimeh river. The data used in the study includes sediment ,water , rain fall , and daily discharges related to the statistic periods from 1967-68 to 2009-2010. After data processing 554 records with accessible statistic discharges and their corresponding sediment were chosen and the obtained results were compared using sediment rating curve. To this aim, statistical criteria of R2 , RMSE, MAT , R and Bias were applied. To investigate, the rain fall effects and daily discharges on precise measuring of sediment by tree model, the data related to the rain fall and daily discharges were added to the model. The results showed that the decision tree model has presented reasonable results for the simulation of the suspended load in the present study station. So that based on criteria RMSE, MAE, r2 and Bias decision tree with less error than the sediment rating curve deposits is estimated. The results did not change much and sediment discharge rate is most correlated with the corresponding discharge of sediment.

کلیدواژه‌ها [English]

  • Suspended sediment
  • Data analysis
  • Decision tree
  • Sediment rating curve
  • CART algorithm
  • Meimeh river

اکبری، زینب؛ علی طالبی؛ بهار اکبری (1389). برآورد رسوبات معلق رودخانه با استفاده از مدل درختان تصمیم‌گیری (مطالعه موردی حوضه آبخیز حیدرآباد کرمانشاه)، اولین همایش ملی توسعه منابع آب دانشگاه آزاد اهواز.

حجه‌بخش، پریسا (1390). برآورد بار رسوب بستر با استفاده از روش درختان تصمیم‌گیری رگرسیونی و مقایسه با روش‌های تجربی، پایان‌نامه کارشناسی ارشد. دانشکده منابع طبیعی. دانشگاه یزد.

دستورانی، محمدتقی؛ اعظم حبیبی‌پور؛ محمدرضا اختصاصی؛ علی طالبی؛ جواد محجوبی (1391). بررسی کارایی مدل درخت تصمیم را در پیش‌بینی بارش (مطالعه موردی:ایستگاه سینوپتیک یزد)،مجله تحقیقات منابع آب. سال هشتم. شماره 3. صفحات 27-14 .

سبزیان‌پور،علی؛ جواد محجوبی؛ابراهیم جباری (1387). پیش‌بینی عمق آبشستگی در پایه‌های استوانه‌ای شکل با استفاده از درخت‌های رگرسیونی و مقایسه آن با روش‌های تجربی، هفتمین کنفرانس هیدرولیک ایران.

ستاری، محمدتقی؛ علی رضازاده‌جودی؛ فروغ صفدری؛ فراز قهرمانزاده (1395). ارزیابی عملکرد روش‌های مدل درختی M5 و رگرسیون بردار پشتیبان در مدل‌سازی رسوب معلق رودخانه، نشریه حفاظت منابع آب و خاک. سال ششم. شماره 1. صفحات 124-109.

طالبی، علی؛ زینب اکبری (1392). بررسی کارایی مدل درختان تصمیم‌گیری در برآورد رسوبات‌معلق‌رودخانه‌ای (مطالعه موردی حوضه سد ایلام)، مجله علوم و فنون کشاورزی و منابع طبیعی. علوم آب و خاک. سال هفدهم. شماره 63. صفحات 121-109.

ظهیری، عبدالرضا؛ خلیل قربانی (1392). شبیه‌سازی دبی جریان در مقاطع مرکب به کمک مدل درخت تصمیم M5،  مجله پژوهش‌های حفاظت آب و خاک. جلد بیستم.  شماره سوم. صفحات 132-113.

محجوبی، جواد (1386). پس‌بینی پارامترهای امواج ناشی از باد با استفاده از درخت‌های تصمیم‌گیری و مقایسه آن با شبکۀ عصبی، دانشگاه علم و صنعت. دانشکده عمران. 120ص.

معاون برنامه‌ریزی و نظارت راهبردی ریاست جمهوری (1391). راهنمای محاسبه بار رسوب معلق و بستر رودخانه، نشریه شماره 590.  158ص.

میثاقی، فرهاد؛ کورش محمدی (1383). پیش بینی تغییرات کیفیت آب رودخانه زاینده‌رود با استفاده از شبکه‌های عصبی مصنوعی، دومین کنفرانس ملی دانشجویی منابع آب و خاک.

 Abrahart, RJ., White, SM (2001). Modeling sediment transfer in Malawi: Comparing backpropagation neural network solutions against a multiple linear regression benchmark using small data set. Phys Chem Earth B. 26 (1) :19-24.

Bhattacharya, B., Price, R.K & D. P. Solomatine (2007). Machine learning approach to modeling sediment transport. Journal of Hydraulic  Engineering. 133(4), 440-450.

Culberston, D. M (1967). "Scour and fill in alluvial channels", U.S Geological Survey.58 pp.

Hansen M. Dubayah R. and DeFries R (1996). Classification trees: an alternative to traditional land cover classifiers: International Journal of Remote Sensing. Volume 17(5): 1075-1081.

Hitoshi Saito, Daichi Nakayama and Hiroshi Matsuyama.(2009). Comparison of landslide susceptibility based on a decision-tree model and actual landslide occurrence: The Akaishi Mountains,Japan,geomorphologyAugust,108-121.

Jansen,P.P(1983).Principles of river engineering, Pitman Pub. Inc., England.

Kheir, B. F., Chorowicz, J., Chadi Abdallah, Damien Dhont (2008). Soil and bedrock distribution estimated from gully form and frequency: A GIS-based decision-tree model for Lebanon. Geomorphology 93, 482-492.

Mehta M. Agrawal R. and Rissanen J (1996). SLIQ: A fast scalable classifier for data mining: Proceeding of the Fifth International Conference on Extending Database Technology,  Avignon, France. 1057:18-32.

Mitchell. T. M (1997). Machine Learning, McGrow- Hil Since engineering/  math.432 pp.

Ozturk, F., Apaydin, H. and Walling, D.E (2001). Suspended sediment loads through flood events for streams of Sakarya Basin. Journal of Engineering Environment, 25, 643-650.

Qing He, Zhi Dong, Fuzhen Zhuang, Tianfeng Shang, Zhongzhi Shi (2012). Parallel Decision Tree with Application to Water Quality Data Analysis.Advances in Neural Networks-ISNN 2012. Lecture Notes in Computer Science, Vol 7368, 2012, PP: 628-637

Rodney J. Woolf (2005).  Data mining using matlab. bachelore of engineering. University of Southern Queensland Faculty of Engineering & Surveying, PP: 125.

Roman Timofeev (2004). Classification & regression trees(CART),Theory and applications. CASE-Center of Applied Statistics & Economics Humboldt University, Berlin.40 pp.

Saghebian, S. M;  Sattari, M;  Mirabbasi, R; Mahesh Pal (2014). Ground water quality classification by decision tree method in Ardebil region, Iran,Arabian Journal of Geosciences.7, 4767-4777.

Solomatine, D. P. Yunpeng, X (2004). M5 Model Trees & Neural Networks:Application to Flood Forecasting in the Upper Reach of the Huai River in China, Journal of Hydrologic Engineering 9 (6), 491-501.

Tayfur, G., S. Ozdemir, Vijay P. Singh (2003). Fuzzy logic algorithm for runoff-induced sediment transport from bare soil surfaces, Advances in Water Resources 26, 1249-1256.