پیش‏بینی رواناب و رسوب به کمک شبکة عصبی مصنوعی و رگرسیون چندمتغیره در مارن‏های آغاجاری

نوع مقاله: مقاله پژوهشی

نویسندگان

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


[1] Abrahart, R.J. and White, S.M. (2001). Modelling sediment transfer inMalawe: comparing backpropagation neural network solutionagainst a multiple linear regressionbenchmark using small datasets. Physics and Chemistry of the Earth, 26, 19-24.
[2] Alp, M and Kerem Cigizoglu, H. (2009). Suspended sediment load simulation by two artificial neural network methods using hydrometeorological data. Environmental Modelling and Software, 22, 2-13.
[3] ASCE (2000). Artificial neural networks in hydrology: 1. Preliminaryconcepts. Journal of Hydrologic Engineering, 5, 115-123.
[4] Asghari moghadam, A., Norani, V. and Nadiri, A. (2008): Modeling[p1]  of Tabriz plain rainfall using neutral networks. Agriculture Science Journal, 18(1), 1-15. (In Persian).
[5] Barthes, B. and Roose, E. (2002).Aggregate Stability as an Indicator of Soil Susceptibility to Runoff and Erosion; Validation at Several Levels, Catena, 47, 133-149.
[6] Cannon, A.J. and Whitfied, P.H. (2002). Downscaling recent stream - flow conditions in British Columbia, Canada using ensemble neural network. Journal of Hydrology, 259, 136-151.
[7] Das, G. (2000). Hydrology and Soil Conservation Engineering. Asoke K. Ghosh, Prentic- Hall of India, 489P.
[8] Dawson, C.W. and Wilby, R.L. (2001). Hydrological modelling using artificial neural networks. Progress in Physical Geography, 25, 80-108.
[9] Gautam, M.R., Watanabe, K. and Saegusa, H. (2000). Runoff analysis in humid forest catchment with artificial neural network. Journal of Hydrology, 235, 117-136.
[10] Green, I.R.A. and Stephenson, D. (1986). Criteria for comparison of single event models. Hydrological Sciences Journal, 31, 395-411.
[11] Hossaini, S., Ci., Dehmardeh, A., Fathi, P.Ci. and Ceh Mardeh, M. (2007). Application of neutral networks and multi regression in estimation wheat operating in Kurdistan province Ghahve region. Agriculture Research Journal: Water, Soil, Vegetation in Agriculture, 1, 41-54.
[12] Jordan, A. and Martinez-Zavala, L. (2008). Soil Loss and Runoff Rates on Unpaved Forest Roads in Southern Spain after Simulated Rainfall, Journal of Forest Ecology and Management, 255, 913-919.
[13] Kamphorst, A. (1987). A small rainfall simulator for the determination of soil erodibility, Netherlands, Journal of Agricultural Science, 35, 407-415.
[14] Kinnell, P.I.A. (2005). Sediment Transport by Medium to Large Drops Impacting Flows at Subterminal Velocity, Soil Science Society of America Journal, 69(3), 902-905.
[15] Marcel, G.S., Feike, J.L., Martinus, T. and van Genuchten, H. (1998). Neural network analysis for hierarchical prediction of soil hydraulic properties, Soil Science Society, 62, 847-855.
[16] Menhaj, L.P. (1998). Bases of Neural Networks (Calculative Intelligence). First Volume. Amirkabir Univerity of Technology Press. 642P (In Persian).
[17] Navvabian, M., Liaghat, E.M. and Homaei, M. (2004). Rapid estimation of hydraulic conductivity using neural networks. In: Proceedings of the Second National Student Conference on Water and Soil Resource. Shiraz University Press, pp. 203 -211 (In Persian).
[18] Raisain, R. (2005). Investigation of erosion and sediment rates in Gargak catchment by using rain simulator, Soil Conservation and Watershed Management Research Institute, Project Research Plan Report, 156 P (In Persian).
[19] Rajurkar, M.P., Kothyarib, U.C. and  Chaube, U.C. (2004). Modeling of the daily rainfall-runoff relationship with artificial neural network. Journal of Hydrology, 285, 96-113.
[20] Ramani, A. and Sedhi, M. (2004). Forecasting of water level changes of Bahar-Hamedan plain using times series. Water and Wastwater Journal, 15, 2-49. (In Persian).
[21] Reddy, S.B. (2003). Estimation of watershed runoff using artificial neural networks. Ph.D Thesis in Agriculture (unpubl.). Post Graduate School, IARI, New Dehli.
[22] Sarangi, A. and Bhattacharya, A.K. (2005). Comparison of artificial neural network and regression models for sediment loss prediction from Banha watershed in India. Agricultural Water Management, 78(3), 195-208.
[23] Sudheer, K.P., Gosain, A.K. and Ramasatri, K.S. (2002). A data-driven algorithm for constructing artificial neural network rainfall-runoff models. Hydrological Processes, 16, 1325-1330.
[24] Tamari, S., Wösten, J. H.M. and Ruiz-Suarez, J.C. (1996). Testing an artificial neural network for predicting soil hydraulic conductivity. Soil Science Society of America Journal, 60(6), 1732-1741.
[25]  Vaezi, A.R., Sadeghi, S.H.R., Bahrami, H.A. and Mahdian, M.H. (2008). Modeling the USLE K-factor for calcareous soils in northwestern Iran. Geomorphology, 97(3), 414-423.
[26]  Zarinkafsh, M. (1994). Application Pedology. University of Tehran Press, 236 P (In Persian).
[27] Zehtabian, Gh. (1999). Comparison of runoff and sediment rate in Lehbari marl formation using rain simulator in Gelalmoort subwatershes. University of Tehran Research Plan Report, 107P (In Persian).
[28] Zhang, B. and Govindaraju, R. (2003). Geomorphology-based artificial neural networks for estimation of direct runoff over watershed. Journal of Hydrology, 273, 18-34.
[29] Zhu, X.X. and Zhou, L.Y. (2007). Suspended sediment flux modeling with artificial neural network: Anexample of the Longchuanjiang River in the Upper Yangtze Catchment, China. Geomorphology, 84, 111-125.