مسعود کرباسی - هیات علمی دانشگاه زنجان
نگین میرمرسلی - گروه مهندسی آب، دانشکده کشاورزی، دانشگاه زنجان، زنجان، ایران

چکیده سابقه و هدف: فرم بستر یا به عبارتی ناهمواری های بستر به شکل های مختلف در بستر رودخانه اطلاق می شود که در اثر حرکت جریان به وجود می آید و تاثیر مستقیم و مهمی روی زبری بستر و در نتیجه مقاومت در مقابل جریان و تاثیر روی پروفیل سطح آب را در پی دارد. از آن جا که محاسبات دبی- اشل رودخانه و سرعت جریان کاملا تحت تاثیر زبری قرار دارد، لذا پیش بینی دقیق شکل بستر از اهمیت زیادی برخوردار است. به دلیل تاثیر پارامترهای مختلف در شکل گیری فرم بستر رودخانه ها، تعیین معادلات حاکم بر آن مشکل بوده و مدل های ریاضی نیز از دقت کافی برخوردار نیستند. امروزه استفاده از سیستم های هوش مصنوعی به عنوان راهکاری جدید در تحلیل مسائل آبی، گسترش یافته است. هدف این پژوهش، معرفی روشی است که با استفاده از آن بتوان فرم بستر رودخانه های ماسه ای را با دقت بالایی پیش بینی نمود. مواد و روش ها: در پژوهش حاضر، برای به دست آوردن نتایج بهتر و کاهش پراکندگی داده ها، داده ها به طور تصادفی به دو بخش آموزش (70 درصد) که شامل 1647 داده ی آزمایشگاهی و آزمون (30 درصد) که شامل 560 داده ی آزمایشگاهی است تقسیم شدند. روش هوشمند درخت تصمیم بر روی داده های بخش آزمون در محیط برنامه نویسی وکا کدنویسی شد و در نهایت با استفاده از الگوریتم های (Random Forest) و (Random Tree) واسنجی بر روی داده ها انجام گردید. سپس روش های تجربی وان راین، انگلند هانسن و سیمونز و ریچاردسون بر روی داده های بخش آزمون اجرا گردید. یافته ها: ارزیابی نتایج به دست آمده با استفاده از معیارهای آماری مجذور میانگین مربعات خطا (RMSE)، نرخ دسته بندی صحیح (CCI) و مساحت زیر منحنی (ROC Area) انجام شده است. نتایج نشان داد که الگوریتم(Random Forest) برای داده های آزمایشگاهی با معیارهای آماری 85%CCI= درصد، 17/0RMSE=، 97/0ROC= دارای بهترین عملکرد است. از سوی دیگر با بررسی نتایج روش های تجربی مشخص شد که برای داده های آزمایشگاهی، روش وان راین با نتایج %64CCI= درصد، 07/1RMSE= دارای عملکرد بهتری می باشد. بین متغیرهای مختلف محیطی دبی، عرض، عمق، شیب، قطر متوسط ذرات رسوبی و دما برای داده های آزمایشگاهی دارای بیشترین اهمیت در پیش بینی فرم های بستر بودند. نتیجه گیری: در این پژوهش برتری مدل های محاسباتی نرم در مدل سازی و پیش بینی فرم بستر مشهود بوده و مدل های اجرا شده در محیط وکا عملکرد بهتری داشتند. اصولا از آن جا که در شکل گیری فرم بستر رودخانه ها، عوامل متعددی دخالت دارند و همچنین به دلیل ماهیت پیچیده ی آن، پیش بینی این پدیده بسیار دشوار و گاهی کم دقت است. از آن جا که روش های هوش مصنوعی برای تحلیل مسائلی به کار می روند که شناخت و توصیف صریح از ماهیت مسئله وجود ندارد، بنابراین بسیاری از مسائل مربوط به فرم های بستر را می توان با این روش ها حل نمود.

پیش بینی, درخت تصمیم, رودخانه های ماسه ای, فرم بستر, هوش مصنوعی