| تعداد نشریات | 285 |
| تعداد نشریات سازمان | 83 |
| تعداد شمارهها | 3,133 |
| تعداد مقالات | 34,855 |
| تعداد مشاهده مقاله | 50,300,139 |
| تعداد دریافت فایل اصل مقاله | 90,212,209 |
ارزیابی کارایی مدلهای داده مبنا در برآورد رسوب معلق رودخانههای پر رسوب: مطالعه موردی ایستگاه آبسنجی هوتن، رودخانه اترک، واحد مطالعاتی مراوه تپه | ||
| مهندسی و مدیریت آبخیز | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 29 دی 1404 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/ijwmse.2025.370547.2129 | ||
| نویسندگان | ||
| محمودرضا طباطبایی* 1؛ محمدرضا غریب رضا2 | ||
| 1دانشیار، پژوهشکده حفاظت خاک و آبخیزداری، سازمان تحقیقات، آموزش و ترویج کشاورزی، تهران، ایران | ||
| 2دانشیار پژوهشی پژوهشکده حفاظت خاک و آبخیزداری، سازمان تحقیقات، آموزش و ترویج کشاورزی، تهران، ایران | ||
| چکیده | ||
| این مطالعه به بررسی برآورد دقیق رسوب معلق در رودخانه اترک، بهویژه در ایستگاه هوتن، پرداخته است. رسوب معلق در رودخانهها، بهویژه در مناطق نیمهخشک، از چالشهای عمده در مدیریت منابع آب و کنترل رسوبات مخازن سدها به شمار میآید. در این تحقیق، برای برآورد رسوب معلق، از ترکیبی از روشهای کلاسیک و هوشمند استفاده شده است، از جمله منحنی سنجه رسوب، شبکههای عصبی و مدلهای یادگیری عمیق. با استفاده از الگوریتم جنگل تصادفی، متغیرهای کلیدی مؤثر بر رسوب شناسایی و دادهها به گروههای همگن تقسیم شدند. مدل یادگیری جمعی XGBoost به عنوان مدل برتر انتخاب شد که دقت بالایی در پیشبینی نشان داد. نتایج نشان میدهد که XGBoost با کمترین خطا و بیشترین شاخص کارایی نسبت به سایر مدلها موفقتر بوده است. این مدل توانایی مدیریت دادههای با چولگی بالا و شناسایی روابط غیرخطی پیچیده را دارد. همچنین، رویکرد ترکیبی بهکاررفته در این پژوهش منجر به بهبود پیشبینی نسبت به روشهای سنتی شده است. با این حال، کیفیت دادهها و تغییرات هیدرولوژیکی بر کارایی مدلها تأثیر میگذارد. این تحقیق نشاندهنده اهمیت استفاده از تکنیکهای پیشرفته یادگیری ماشین در تحلیل دادههای هیدرولوژیکی و لزوم پیوند بین علم داده و مدیریت منابع آب است. نتایج این مطالعه میتواند بهعنوان مرجعی برای سیاستگذاران و مدیران منابع آب در راستای بهبود مدیریت رسوبات و کیفیت آب در رودخانهها مورد استفاده قرار گیرد. | ||
| کلیدواژهها | ||
| تقویت گرادیان؛ رسوب معلق؛ رودخانه اترک؛ گرادیان بوستینگ؛ مدلهای دادهمبنا؛ یادگیری جمعی | ||
| عنوان مقاله [English] | ||
| Assessment of the Performance of Data-Driven Models in Estimating Suspended Sediment in High-Sediment Rivers: A Case Study of the Hootan Gauging Station, Atrak River, Maraveh Tappeh Study Unit | ||
| نویسندگان [English] | ||
| Mahmoudreza Tabatabaei1؛ Mohammadreza Gharib Reza2 | ||
| 1Member of scientific boAssistant Professor, Soil Conservation and Watershed Management Research Institute, Agricultural Research, Education and Extension Organization (AREEO), Tehran, Iran | ||
| 2Associate Professor, Soil Conservation and Watershed Management Research Institute, Agricultural Research, Education and Extension Organization (AREEO), Tehran, Iran | ||
| چکیده [English] | ||
| This study examines the accurate estimation of suspended sediment in the Atrak River, particularly at the Hootan station. Suspended sediment in rivers, especially in semi-arid regions, poses significant challenges for water resource management and sediment control in dam reservoirs. In this research, a combination of classical and intelligent methods was used to estimate suspended sediment, including sediment rating curves, neural networks, and deep learning models. Key variables influencing sediment were identified using a random forest algorithm, and the data was divided into homogeneous groups. The ensemble learning model, XGBoost, was selected as the best model, demonstrating high accuracy in predictions. Results indicate that XGBoost outperformed other models with the lowest error and highest performance index. This model effectively manages highly skewed data and identifies complex nonlinear relationships. Additionally, the combined approach used in this study improved predictions compared to traditional methods. However, data quality and hydrological changes significantly impact model performance. This research highlights the importance of advanced machine learning techniques in analyzing hydrological data and emphasizes the need for a link between data science and water resource management. The findings of this study can serve as a reference for policymakers and water resource managers in enhancing sediment management and water quality in rivers. | ||
| کلیدواژهها [English] | ||
| Atrak River, Data-driven models, Ensemble learning, Gradient boosting, Suspended sedimen, XGBoost | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 24 |
||