برآورد غلظت رسوب معلق روزانه با استفاده از شبکه عصبی مصنوعی و خوشه بندی داده ها به روش نگاشت خود سازمان ده (مطالعه موردی: ایستگاه هیدرومتری سیرا - رودخانه کرج)

  امروزه برآورد دقیق بار رسوب معلق رودخانه ای از جنبه های مختلف مهندسی منابع آب، مسائل زیست­محیطی و کیفیت آب از اهمیت ویژه ای برخوردار است. در این راستا، مدل های هیدرولوژیکی حوزه، به­دلیل عوامل متعدد تاثیرگذار ثابت و متغیر، کارایی مناسبی در برآورد میزان رسوب معلق از خود نشان نداده اند. همچنین اغلب مطالعات شبیه سازی برآورد رسوب معلق، تنها بر مبنای دبی جریان خروجی حوزه استوار است که نتایج حاصله نیز، گواه بر عدم کارآیی مطلوب آنها است. این در حالی است که عوامل تاثیرگذاری همچون نوع بارش، فصل سال و شکل هیدروگراف جریان که نقش عمده ای در این فرآیند ایفا می نمایند در شبیه سازی برآورد میزان رسوب معلق نادیده گرفته شده اند. در پژوهش حاضر، از روش شبکه عصبی پرسپترون چند لایه و داده های آب و هواشناسی (دبی و غلظت رسوب معلق روزانه جریان، متوسط بارش و دمای روزانه) حوزه آبخیز سد کرج در یک دوره زمانی ۳۰ ساله (۱۳۶۰ تا ۱۳۹۰) به­منظور برآورد غلظت رسوب معلق روزانه ایستگاه هیدرومتری سیرا استفاده شده است. در این روش، با توجه به نقش تغییرات فصلی و وضعیت جریان در تولید و انتقال رسوب حوزه، ابتدا بر اساس سه متغیر رژیم بارش، وضعیت هیدروگراف جریان و نوع رواناب حاصل از بارش، داده های مورد استفاده به ۵ گروه تفکیک و سپس برای هر گروه، مدل جداگانه ای طراحی گردید. همچنین به منظور افزایش قدرت تعمیم دهی مدل ها، از شبکه عصبی نگاشت خود سازمان ده ( SOM ) جهت خوشه بندی و از شاخص سیلهوت، در تعیین تعداد بهینه خوشه ها استفاده شد. نتایج پژوهش نشان داد که استفاده از متغیرهای بارش و دمای روزانه، به همراه دبی جریان و تفکیک زمانی داده ها، نقش مهمی در افزایش دقت برآورد رسوب رودخانه داشته است. در این رابطه، بیشترین خطای محاسبه شده در بین مدل ها زمانی است که برای تمامی فصول سال، تنها از یک مدل واحد، جهت برازش به داده ها استفاده می گردد. نتایج این پژوهش می تواند به­عنوان الگوئی مناسب در برآورد رسوب معلق سایر رودخانه های کشور مورد استفاده قرار گیرد.