پیش‌بینی فرم بستر رودخانه‌های ماسه‌ای با استفاده از روش درخت تصمیم

نوع مقاله : مقاله کامل علمی پژوهشی

نویسندگان

1 هیات علمی دانشگاه زنجان

2 گروه مهندسی آب، دانشکده کشاورزی، دانشگاه زنجان، زنجان، ایران

چکیده

چکیده
سابقه و هدف: فرم بستر یا به عبارتی ناهمواری‌های بستر به شکل‌های مختلف در بستر رودخانه اطلاق می‌شود که در اثر حرکت جریان به وجود می‌آید و تأثیر مستقیم و مهمی روی زبری بستر و در نتیجه مقاومت در مقابل جریان و تأثیر روی پروفیل سطح آب را در پی دارد. از آن‌جا که محاسبات دبی- اشل رودخانه و سرعت جریان کاملاً تحت تأثیر زبری قرار دارد، لذا پیش‌بینی دقیق شکل بستر از اهمیت زیادی برخوردار است. به‌دلیل تأثیر پارامترهای مختلف در شکل‌گیری فرم بستر رودخانه‌ها، تعیین معادلات حاکم بر آن مشکل بوده و مدل‌های ریاضی نیز از دقت کافی برخوردار نیستند. امروزه استفاده از سیستم‌های هوش مصنوعی به‌عنوان راهکاری جدید در تحلیل مسائل آبی، گسترش یافته است. هدف این پژوهش، معرفی روشی است که با استفاده از آن بتوان فرم بستر رودخانه‌های ماسه‌ای را با دقت بالایی پیش‌بینی نمود.
مواد و روش‌ها: در پژوهش حاضر، برای به‌دست آوردن نتایج بهتر و کاهش پراکندگی داده‌ها، داده‌ها به‌طور تصادفی به دو بخش آموزش (70 درصد) که شامل 1647 داده‌ی آزمایشگاهی و آزمون (30 درصد) که شامل 560 داده‌ی آزمایشگاهی است تقسیم شدند. روش‌ هوشمند درخت تصمیم‌ بر روی داده‌های بخش آزمون در محیط برنامه‌نویسی وکا کدنویسی شد و در نهایت با استفاده از الگوریتم‌های (Random Forest) و (Random Tree) واسنجی بر روی داده‌ها انجام گردید. سپس روش‌های تجربی وان‌راین، انگلند هانسن و سیمونز و ریچاردسون بر روی داده‌های بخش آزمون اجرا گردید.
یافته‌ها: ارزیابی نتایج به‌دست آمده با استفاده از معیارهای آماری مجذور میانگین مربعات خطا (RMSE)، نرخ دسته‌بندی صحیح (CCI) و مساحت زیر منحنی (ROC Area) انجام شده است. نتایج نشان داد که الگوریتم(Random Forest) برای داده‌های آزمایشگاهی با معیارهای آماری 85%CCI= درصد، 17/0RMSE=، 97/0ROC= دارای بهترین عملکرد است. از سوی دیگر با بررسی نتایج روش‌های تجربی مشخص شد که برای داده‌های آزمایشگاهی، روش وان‌راین با نتایج %64CCI= درصد، 07/1RMSE= دارای عملکرد بهتری می‌باشد. بین متغیرهای مختلف محیطی دبی، عرض، عمق، شیب، قطر متوسط ذرات رسوبی و دما برای داده‌های آزمایشگاهی دارای بیشترین اهمیت در پیش‌بینی فرم‌های بستر بودند.
نتیجه‌گیری: در این پژوهش برتری مدل‌های محاسباتی نرم در مدل‌سازی و پیش‌بینی فرم بستر مشهود بوده و مدل‌های اجرا شده در محیط وکا عملکرد بهتری داشتند. اصولاً از آن‌جا که در شکل‌گیری فرم بستر رودخانه‌ها، عوامل متعددی دخالت دارند و همچنین به‌دلیل ماهیت پیچیده‌ی آن، پیش‌بینی این پدیده بسیار دشوار و گاهی کم‌دقت است. از آن‌جا که روش‌های هوش مصنوعی برای تحلیل مسائلی به‌کار می‌روند که شناخت و توصیف صریح از ماهیت مسئله وجود ندارد، بنابراین بسیاری از مسائل مربوط به فرم‌های بستر را می‌توان با این روش‌ها حل نمود.

کلیدواژه‌ها


عنوان مقاله [English]

Prediction of sand rivers bed form using decision trees

نویسندگان [English]

  • Masoud Karbasi 1
  • Negin Mirmorsali 2
1
2 Department of water structures Engineering, Faculty Agriculture, Zanjan University, Zanjan, Iran
چکیده [English]

Abstract


Background and objectives: The bed forms or in the other word, bed irregularities are structures that form due to stream flow and they have direct impact on roughness and flow resistance in sand bed rivers. Bed forms have different shapes and forms in sand bed rivers. Since river discharge and flow velocity are totally affected by roughness, accurate prediction of the shape of the bed is of great importance. Due to the influence of different parameters in the formation of the river bed form, it is difficult to determine the governing equations and the mathematical models with sufficient precise. Today, the use of artificial intelligence systems has expanded as a new way of analyzing water resources issues. The objective of this research is to introduce a method that can be used to predict the shape of the river bed with high precision.
Materials and methods: In the present study, the data were randomly divided into two parts of the training (70%) including 1647 laboratory data and test (30%) containing 560 laboratory data. The decision trees were coded on the data of the test section in the WEKA programming environment, and finally calibration was performed on the data by using Random Forest and Random Tree algorithms. Then the experimental methods of Van Rijn, Engelund and Hansen and Simons and Richardson were implemented on test data.
Results: Evaluation of the results were done using root mean square error (RMSE), Correctly Classified Instances and Roc area under curve. The results showed that the best performance reached by Random Forest algorithm for experimental data with statistical criteria of CCI=85 (%), RMSE=0.17, ROC=0.97. On the other hand, by examining the results of empirical methods, it was determined that for laboratory data, van Rijn method has better performance with the results of CCI=64 (%), RMSE=1.07. Between different variables, discharge, width, depth, slope of the channel, average diameter of sediment particles and temperature for laboratory data were the most important parameters in predicting bed forms.
Conclusion: In this research, the superiority of soft computing models was evident compared to the empirical methods in modeling and predicting of the bed form. Models performed better in the WEKA environment.
Basically, because of the formation of the river bed form is depended on several factors, and also because of its complex nature, the prediction of this phenomenon is very difficult and sometimes with high errors. Since artificial intelligence methods are used to analyze issues that do not explicitly describe the nature of the problem, so many of the issues of bed form can be solved with these methods.

کلیدواژه‌ها [English]

  • prediction
  • decision tree
  • sand rivers
  • bed form
  • Artificial intelligence
1.Amiri, S.M., and Hekmatzadeh, A.A. 2014. A Finite Volume Numerical Model for Simulating Dune Bed Form. Babool, 8th National Civil Engineering Congress, Pp: 211-220. (In Persian)
2.Brownlie, W.R. 1981. Compilation of alluvial channel data: laboratory and Field.
3.Chen, W., Xie, X., Wang, J., Pradhan, B., Hong, H., Bui, D.T., Duan, Z., and Ma, J. 2017. A comparative study of logistic model tree, random forest and classification and regression tree models for spatial prediction of landslide susceptibility. Catena, 151: 147-160.
4.Gholami, A., Bonakdari, H., Ebtehaj, I., and Fenjan, S. 2015. Assessment and comparing of support vector machines model and regression equation for predicting alluvial channel geometry. Mesopotamia Environ. J. 1: 56-64.
5.Gupta, Sh., Abraham, S.K., Sugumaran, V., and Amarnath, M. 2016. Fault Diagnostics of a Gearbox via Acoustic Signal using Wavelet Features, J48 Decision Tree and Random Tree Classifier. Indian, J. Sci. Technol. 33: 9. 1-8.
6.Javadi, F., Ahmadi, M.M., and Qaderi, K. 2015. Estimation of Bedform Dimension Using Artificial Neural Network (ANN) and Support Vector Machine (SVM). J. Agr. Sci. Tech. 17: 859-868.
7.Karamisheva, R.D., Lyness, J.F., Myers, W.R.C., and Sullivan, J.O. 2005. Prediction of Bed Form Height in Straight and Meandering Compound Channels. J. Water Resour. Manage.III. 80: 311-320.
8.Neill, C.R. 1969. Bed Forms in the Lower Red Deer River, ALBERTA. Amsterdam, J. Hydrol. 7: 58-85.
 9.Norozi, H., Nadiri, A., Asghari, A., and Gharekhani, M. 2017. Prediction of Transmissivity of Malekan Aquifer using Random Forest Method. J. Water Soil Sci. 27: 2. 61-75. (In Persian)
10.Pahlavan Rad, M.R., Khormali, F., Toomanian, N., Kiani, F., and Komaki, Ch.B. 2015. Digital Soil Mapping Using Random Forest Model in Golestan Province. J. Water Soil Cons. 21: 6. 73-93. (In Persian)
11.Shafaee Bajestan, M. 1999. Sediment Hydraulic. Shahid Chamran University. Press. 305p. (In Persian)
12.Shen, H.W., Fehlman, H.M., and Mendoza, C. 1990. Bed Form Resistances in Open Channel Flows. California, J. Hydr. Engin. 116: 6. 799-815.
13.Youssef, A.M., Pourghasemi, H.R., Pourtaghi, Z.S., and Al-Katheeri, M.M. 2016. Landslide susceptibility mapping using random forest, boosted regression tree, classification and regression tree and general linear models and comparison of their performance at Wadi Tayyah Basin, Asir Region, Saudi Arabia. Landslides, 13: 5. 839-856.