نوع مقاله : مقاله پژوهشی

نویسنده

استادیار، گروه مهندسی مرتع و آبخیزداری، دانشگاه کشاورزی و منابع طبیعی رامین خوزستان

چکیده

برآورد دقیق میزان رسوب معلق رودخانه‌ها از مسائلی مهم در طراحی مخازن، آلودگی دریاچه‌ها، طراحی کانال‏ها و لایروبی آنها بعد از سیلاب‏ها، تعیین خسارت‏های ناشی از رسوبگذاری و تعیین تأثیرات مدیریت آبخیز است. روش‏های متعددی به‌منظور برآورد بار معلق رودخانه‌ها وجود دارد. یکی از این روش‏ها، که در حل مسائل مختلف هیدرولوژی رسوب و پیش‌بینی آن کاربرد زیادی دارد، روش‏های نوروفازی و شبکه‌های عصبی مصنوعی است. در این مطالعه ارتباط رسوب و دبی لحظه‌ای متناظرش به‌طور موفقیت‌آمیزی با استفاده از این روش‏ها مدل‌سازی و مورد اعتبارسنجی قرار گرفت. هدف از این تحقیق، کارایی روش‏های نوروفازی و شبکه عصبی نسبت به مدل‏های آماری در برآورد رسوب معلق روزانه رودخانه طالقانرود حوزه آبخیز طالقان می‌باشد. نتایج نشان داد، برآوردهای ساختارANFIS ، با میانگین قدرمطلق خطای نسبی، 1006 تن در روز، ضریب همبستگی 77درصد، میانگین مربعات خطا2621 تن در روز و ضریب ناش- ساتکلیف 51/0 نسبت به شبکه عصبی و همچنین برآوردهای شبکه عصبی در مقایسه با مدل‏های آماری از دقت بالاتری برخوردارند. بنابراین روش ادغام شبکه عصبی با قوانین فازی توانسته تغییرات بار رسوبی رودخانه را بر اساس دبی روزانه، بهتر از مدل‏های دیگر برآورد کند. دیگر مزیت این روش حساس نبودن به وجود تعداد معدودی خطا در داده‌های آماری است که همین امر باعث برآورد بهتر مدل شبکه عصبی در مقایسه با مدل آماری شده است. همچنین با بالا رفتن درصد داده‌های آموزش نسبت به داده‌های امتحان، روش نروفازی جواب مناسبتری می‌دهد.

کلیدواژه‌ها

عنوان مقاله [English]

Comparison of Neuro Fuzzy, Neural Network Artificial and Statistical Methods for Estimating Suspended Load Rivers (Case Study: Taleghan Basin Upstream)

نویسنده [English]

  • Amin Zoratipour

Assistant Professor, Department of Range and Watershed Management, Khuzestan Ramin Agriculture and Natural Resources University

چکیده [English]

Abstract
Estimation of fine suspended load rivers is important in designing reserves, transition volume of
sediment, and estimating lake pollution. Thus, some methods are needed for determining damages
caused by sedimentations in environment and determining its effects on the watersheds. There are
many methods for estimating suspended load, one of these methods that solves the problems of
sediment discharge and can predict it is using Neuro fuzzy or ANFIS (Adaptive Network Fuzzy
Inference System), and ANN (Artificial Neural Network) methods. These make a function between
sediment and simultaneous discharge by use of different algorithms. The goal of this research is
comparing the effectiveness of Neuro fuzzy, neural network artificial and statistical methods for
estimating suspended load river in Glinak station of Taleghan Basin. It was found out that
suspended load estimations of Nero fuzzy method with MAE 1006 ton/day, and correlation
efficiency (R) 77%, RMSE 2621 ton/day and Nash-Sutcliff error (NS) 0.51 is better than Neural
Network Artificial and Statistical methods and Artificial Neural Network method rather than
Statistical Method are more proper. Also, contracting both neural networks artificial to fuzzy laws
can be illustrated better than other methods, variation of sediment Load River. One more merit of
this method is that it is not sensitive to few errors in early statistical data and this fact enables better
estimation of neural network model in comparison with statistical model. Finally, Neuro fuzzy
method works better as the percent of train data to test data increases.

کلیدواژه‌ها [English]

  • Neuro fuzzy
  • Artificial Neural Network
  • Suspended Load
  • Statistical Method
  • Taleghan