مدلسازي برآورد ميزان رسوب معلق رودخانه پسيخان با استفاده از شبكه عصبي مصنوعي درخت تصميم

Modeling Estimation of Suspended Sediment Rate in Pasikhan River Using Decision Tree Artificial Neural Network

برآورد دقيق ميزان رسوبات حمل شده در رودخانه‌ها بر اثر فرسايش عامل مهمي براي مديريت پروژه هاي آب شناختي مي‌باشد. شبكه عصبي مصنوعي به دلايل عمده از جمله برخورداري از توانايي تشخيص الگو، رابطه خوب بين ورودي و خروجي و نياز به تعداد داده‌هاي ورودي كم‌تر در پيش‌بيني ميزان رسوب معلق داراي اهميت فراواني است. بر اين اساس پژوهش حاضر اقدام به مدلسازي برآورد ميزان رسوب معلق رودخانه پسيخان با استفاده از شبكه عصبي مصنوعي درخت تصميم M5 كرده است. ميزان رسوب در رودخانه‌ها تابع پارامترهاي زيادي از هندسه رودخانه، هيدروليك جريان و خصوصيات رسوب است. به همين دليل در اين تحقيق سعي شده است ابتدا با بي بعد سازي پارامترهاي موثر بر ظرفيت حمل رسوب، تعداد پارامترهاي موثر كاهش يابد. نتايج نشان داد كه درخت تصميم ساخته شده اوليه يعني درخت M5 نياز به هرس ندارد و داراي كاربرد مناسب مي باشد. براي بررسي ميزان دقت مدل پيش‌بيني از سه پارامتر ضريب تعيين (R2)، متوسط خطاي نسبي (ME) و ميانگين مجذور مربعات خطا (RMSE) استفاده شد. مقادير بدست آمده براي اين سه پارامتر به ترتيب برابر با 0/851، 1037/64 و 941/32 به دست آمد كه نشان دهنده مناسب بودن اين سه پارامتر است. همچنين مقايسه ميزان رسوب معلق بدست آمده از مدل درخت تصميم با داده‌هاي اندازه گيري رودخانه پسيخان نشان داد كه ميزان ضريب تعيين برابر با 0/8953 به دست آمد كه يك مقدار بسيار مناسب است. نتايج نشان داد كه اين مدل در پيش بيني ميزان رسوب معلق در رودخانه پسيخان از كارايي موثري برخوردار است.

Accurate estimation of sediment transport in rivers due to erosion is an important factor for the management of hydrological projects. Artificial neural networks are of great importance for many reasons, such as the ability to detect patterns, the good relationship between input and output, and the need for less input data to predict suspended sedimentation. Accordingly, the present study attempts to model the estimation of suspended sediment content in the Pasikhan River using the artificial neural network of the M5 decision tree. The amount of sediment in rivers is subject to many parameters of river geometry, hydraulic flow and sediment properties. For this reason, in this study, it has been tried to reduce the number of effective parameters by first dimensioning the effective parameters on sediment transport capacity. The results showed that the initial decision tree, the M5 tree, does not require pruning and is suitable for use. Three parameters of determination coefficient (R2), mean relative error (ME) and mean squared error (RMSE) were used to evaluate the accuracy of the prediction model. The obtained values for these three parameters were 0.851, 1037.64 and 941.32, respectively, indicating the suitability of these three parameters. Comparison of suspended sediment yield from decision tree model with Pasikhan River measurement data showed that the coefficient of determination was 0.8953 which is a very good value. The results showed that this model is effective in predicting suspended sediment content in the Pasikhan River.