نوع مقاله : مقاله پژوهشی

نویسندگان

• مهدی وفاخواه ¹
• همزه سعیدیان ²

¹ دانشیار گروه آبخیزداری، دانشکدة منابع طبیعی، دانشگاه تربیت مدرس

² دکتری آبخیزداری، دانشکدة منابع طبیعی، دانشگاه تربیت مدرس

چکیده

پدیدة فرسایش و انتقال رسوب یکی از پیچیده‏ترین مسائل مدیریت حوزة زه‌کشی رودخانه‏هاست که در بررسی‏ طرح‏های آبی اهمیت بسیاری دارد و اندازه‏گیری آن مستلزم صرف وقت و هزینة فراوانی است. مسئلة رواناب سطحی در حوزة آبخیز رودخانه‏ها نیز موضوع پیچیده‏ای است که اطلاعات و فهم دانش بشری از قوانین فیزیکی حاکم بر آن بعضاً از دیدگاه روابط ریاضی محدود است. در این تحقیق، به منظور مدل‌سازی تولید رواناب و رسوب کاربری‏های مختلف نهشته‏های سازند آغاجاری، بخشی از حوزة آبخیز مرغا در شهرستان ایذه به مساحت 1609 هکتار انتخاب شد. در این تحقیق، از برخی متغیرهای فیزیکی و شیمیایی خاک شامل درصد ماسة خیلی ریز، شن، رس، سیلت، اسیدیته، هدایت الکتریکی، رطوبت، کربنات کلسیم و شوری خاک و رواناب و رسوب در کاربری‏های مختلف سازند آغاجاری برای مدل‌سازی استفاده شد. بدین منظور از دستگاه شبیه‏ساز باران در 7 نقطه و با 3 تکرار در سه شدت‏ مختلف 75_/0، 1، و 25_/1 میلی‌متر در دقیقه در سه کاربری مرتع، منطقة مسکونی، و اراضی کشاورزی میزان رواناب و رسوب اندازه‏گیری شد. همچنین، به همین تعداد، نمونة خاک از عمق ۰ ـ ۲۰ سانتی‏متری برداشت شد. در مجموع، تعداد 126 نمونه رواناب و رسوب جمع آوری شد و 189 آزمایش خاک انجام شد. به منظور تجزیه و تحلیل‏های آماری از نرم‌افزارهای11.5 SPSS، Excel، وMatlab 2008  استفاده شد. نتایج نشان داد که رگرسیون چندمتغیره در شرایطی با داده‏های ورودی زیاد و خروجی کم نتایج مطلوب‏تری در مقایسه با شبکة عصبی مصنوعی نشان می‏دهد. در شدت‌های بالای بارش به علت همگنی داده‏ها عملکرد شبکة عصبی نسبت به شدت‏های پایین بارش بهتر می‏شود. ولی، رگرسیون چندمتغیره در همة شدت‏های بارش بالا و پایین عملکرد بسیار قابل قبولی نشان داد. متوسط خطای نسبی در هر سه کاربری در میزان تولید رسوب در شدت بارش 75_/0 میلی‌متر در دقیقه در رگرسیون چندمتغیره 2_/7 درصد و میزان مجذور میانگین مربعات خطا 06_/0 است و در شبکة عصبی در همین شدت متوسط خطای نسبی 9_/146 درصد و مجذور میانگین مربعات خطا 41_/0 است. متوسط خطای نسبی در هر سه کاربری در میزان تولید رسوب در شدت بارش 1 میلی‌متر در دقیقه در رگرسیون چندمتغیره 5_/8 درصد و میزان مجذور میانگین مربعات خطا 19_/0 است و در شبکة عصبی در همین شدت متوسط خطای نسبی 36_/96 درصد و مجذور میانگین مربعات خطا 85_/0 است. متوسط خطای نسبی در هر سه کاربری در میزان تولید رسوب در شدت بارش 25_/1 میلی‌متر در دقیقه در رگرسیون چندمتغیره 8_/1 درصد و میزان مجذور میانگین مربعات خطا 38_/0 است و در شبکة عصبی در همین شدت متوسط خطای نسبی 6_/37 درصد و مجذور میانگین مربعات خطا 73_/0 است.

کلیدواژه‌ها

• حوزة آبخیز مرغا
• سازند آغاجاری
• شبکة عصبی مصنوعی
• فرسایش خاک

عنوان مقاله [English]

Forecasting of runoff and sediment using neural network and multi regression in Aghajari Marls

نویسندگان [English]

• Mahadi Vatakhah ¹
• Hamzeh Saidian ²

¹ Associate Professor, Department of Watershed Management, Faculty of Natural Resources, Tarbiat Modares University, Iran

² Former Ph.D. Student, Department of Watershed Management, Faculty of Natural Resources, Tarbiat Modares University, Iran

چکیده [English]

Erosion and sediment movement phenomena are one of the most complex issues in management of rivers drainage areas that in water projects are very important. That its measurement wants high time and cost. Issue of surface runoff in river basin is a complex issue that human knowledge and understanding about its physical laws a viewpoint of some mathematical formulas is limited. In this study to investigate modeling runoff and sediment production in different land uses of Aaghajari formation deposits, part of Margha watershed in Izeh city with area 1609 hectares was selected. In this study, some soil physical and chemical characteristics such as percentage of sand very fine, sand, clay, silt, pH, electrical conductivity, moisture, calcium carbonate and soil salinity in different land uses of Aghajari formation were used. Then the rain simulator in 7 point and with three replicated in different intensities 0.75, 1 and 1.25 mm in minute in three land use range, residential areas and agricultural lands, were used the amount of runoff and sediment. And the same of number were sampled in 0-20 cm in soil layer. In totally, 126 times sampling runoff and sediment were done. And 189 soil experiments were done. In order to perform all statistical analysis were used 11.5 SPSS and EXCEL and MATLAB 2008 software. The results showed that multi regression analysis in conditions with high input and little output data shows more favorable results than neural network. And in high intensities owing to data homogeny, neural network operation than to low precipitation intensities is better. But in multi regression in high and low precipitation intensities showed acceptable operation. The average of relative error in three land uses in sediment production in precipitation intensity 0.75 mm in minute were in multi regression 7.2 percent and root mean square error 0.06. And in neural network in same precipitation intensity the average of relative error 146/9 percent and root mean square error 0.41 were. The average of relative error in three land uses in sediment production in precipitation intensity 1 mm in minute were in multi regression 8.5 percent and root mean square error 0.19. And in neural network in same precipitation intensity the average of relative error 96.36 percent and root mean square error 0.85 were. The average of relative error in three land uses in sediment production in precipitation intensity 1.25 mm in minute were in multi regression 1.8 percent and root mean square error 0.38. And in neural network in same precipitation intensity were the average of relative error 37/6 percent and root mean square error 0.73.

کلیدواژه‌ها [English]

• Soil erosion
• formation Aghajari
• Artificial Neural Network
• Margha watershed