بررسي كارايي شبكه عصبي مصنوعي در برآورد بار معلق رودخانه با استفاده از داده هاي دسته‌بندي‌شده

بار رسوب جريان، شاخص مفيدي در پيش‌بيني فرسايش خاك در حوزه‌هاي آبخيز است؛ بنابراين تدوين مدلي براي برآورد بار رسوب مي‌تواند در مديريت و اجراي پروژه‌هاي آبخيزداري و مهندسي رودخانه مفيد باشد. در اين پژوهش روش دسته‌بندي داده‌ها به‌عنوان راه‌كاري براي افزايش دقت شبكه عصبي مصنوعي در تدوين مدل برآورد رسوب معلق بررسي شد. بدين منظور، ميزان آورد رسوبات معلق رودخانه‌هاي خليفه‌ترخان و چهل‌گزي در حوضۀ قشلاق در استان كردستان در سه حالت با روش شبكه عصبي مصنوعي با ساختار پرسپترون چندلايه برآورد شد. ابتدا داده‌هاي اندازه‌گيري شده، بدون هيچ‌گونه تفكيكي مدل‌سازي شدند. سپس داده‌هاي رواناب برمبناي وضعيت جريان به زيرمجموعه‌هاي پرآب و كم‌آب و داده‌هاي رسوب برمبناي غلظت رسوبات به زيرمجموعه‌هاي غلظت كم‌وزياد دسته‌بندي شدند. از داده‌هاي مشاهده‌اي رواناب و رسوب براي واسنجي مدل‌ها استفاده شد. سپس مقادير برآورد شده با داده‌هاي ثبت‌شده مقايسه و عملكرد اين مدل‌ها با استفاده از معيارهاي آماري مورد ارزيابي قرار گرفت. نتايج بيانگر نقش مؤثر دسته‌بندي داده‌ها در بهبود عملكرد روش شبكه عصبي مصنوعي در برآورد رسوب است. به‌طوري‌كه دسته‌بندي برمبناي غلظت رسوبات كارآيي مدل را در ايستگاه‌هاي چهل‌گزي و خليفه‌ترخان به ترتيب 16.6 و 30.5 درصد افزايش داد. مقايسه دسته‌بندي‌هاي انجام‌شده نيز نشان داد كه دسته‌بندي داده‌ها برمبناي غلظت رسوبات نسبت شدت‌جريان رودخانه مؤثرتر است. نتايج اين پژوهش مي‌تواند با تخمين دقيق‌تر ميزان رسوبات معلق رودخانه‌هاي منتهي به درياچۀ سد قشلاق، در بهبود مديريت حوضه مورداستفاده قرار گيرد.