سال 12، شماره 2 - ( تابستان 1401 )                   جلد 12 شماره 2 صفحات 204-172 | برگشت به فهرست نسخه ها

XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Asghari Saraskanrood S, Mozaffari H, Esfandiari F. Modeling the Erosion and Sedimentation Rate of Sojasrood River before and after Construction of Golaber Dam with Machine Learning Algorithms. E.E.R.. 2022; 12 (2) :172-204
URL: http://magazine.hormozgan.ac.ir/article-1-695-fa.html
اصغری سراسکانرود صیاد، مظفری حسن، اسفندیاری فریبا. مدل‌سازی نرخ فرسایش و رسوب رودخانه سجاسرود قبل و بعد از ساخت سد گلابر با الگوریتم‌های یادگیری ماشین. پژوهش هاي فرسايش محيطي. 1401; 12 (2) :204-172

URL: http://magazine.hormozgan.ac.ir/article-1-695-fa.html


گروه جغرافیای طبیعی، دانشکده علوم اجتماعی، دانشگاه محقق اردبیلی، اردبیل ، s.asghari@uma.ac.ir
چکیده:   (313 مشاهده)
احداث سد بر روی رودخانه‌ها هم در بالادست و هم در پایین‌دست، به تغییرات ژئومورفولوژی و زیست‌محیطی گسترده‌ای منجر می‌شود. در همین راستا برای ارزیابی اثرات سد گلابر در دوره قبل و بعد از ساخت سد، از روش‌های یادگیری ماشین استفاده شد. برای دسترسی به داده‌های موردنیاز این پژوهش نیز از مدل‌های رقومی ارتفاعی تصاویر ماهواره‌ای استر به‌صورت سری زمانی استفاده شد. ابتدا از طریق مدل GCD، تغییرات حجمی میزان فرسایش و رسوب در پایین‌دست سد محاسبه شد. سپس از داده‌های حاصل از این مدل به‌عنوان متغیر هدف در کنار لایه‌های نه‌گانه ژئومورفومتری و بارش و رواناب به‌عنوان داده‌های پیش‌بین، برای پیاده کردن الگوریتم‌های یادگیری ماشین به سه روش رگرسیون خطی چندگانه، درخت تصمیم و جنگل تصادفی استفاده شد. از هفتاد درصد داده‌ها برای مدل‌سازی و از سی درصد آنها برای ارزیابی در نرم‌افزار برنامه‌نویسی R استفاده شد. نتایج مدل‌سازی نشان داد که بهره‌برداری از سد، در میزان فرسایش و رسوب بستر رودخانه به شدت اثرگذار بود که در مدل RF سری زمانی اول، ضریب همبستگی و خطای RMSE به ترتیب 0.77 و 0.87  به دست آمد.  اما برای دوره بعد از بهره‌برداری از سد، این ارقام به ترتیب 0.71 و 0.89 بود. نقشه‌های تولیدشده با روش درخت تصمیم نیز روند فرسایش و رسوب را در بستر رودخانه در هر دو دور سری زمانی به‌خوبی مدل‌سازی کرد، اما خروجی مدل رگرسیون خطی دقت کافی نداشت. برای ارزیابی اجمالی الگوریتم‌های یادگیری ماشین علاوه بر ارزیابی با داده‌های آزمایشی خود مدل‌ها، با نتایج میانگین کلی برخی از شاخص‌های مورفومتری رودخانه مانند تعداد پیچانرود، زاویه مرکزی، طول کانال و شاخص سینوزیته نیز ارزیابی شد.
 
واژه‌های کلیدی: رسوب، سجا سرود، فرسایش، یادگیری ماشین، GCD.
متن کامل [PDF 1226 kb]   (74 دریافت)    

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

ارسال پیام به نویسنده مسئول


بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

کلیه حقوق این وب سایت متعلق به مجله پژوهش‌های فرسایش محیطی می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2022 CC BY-NC 4.0 | Environmental Erosion Research Journal

Designed & Developed by : Yektaweb