كاربرد شبكه عصبي مصنوعي و مدل هاي همبستگي در برآورد تلفات خاك در پلات هاي مستقر در مناطق تخريب شده و نشده در حوزه آبخيز جنگلي آموزشي و پژوهشي دانشگاه تربيت مدرس

Application of Artificial Neural Network and Regression Models in Sediment Yield in Plots Located in Disturbed and Undisturbed Plots in Educational and Research Forest Watershed of Tarbiat Modares Uni

برآورد رسوب يكي از اركان مديريت حوزه هاي آبخيز مي باشد. به همين جهت تاكنون تلاش هاي زيادي براي طراحي مدل هاي پيش بيني كننده آن و از جمله مدل هاي شبكه عصبي مصنوعي و مدل هاي رگرسيوني اشاره كرد. حال آن‌‌ كه مقايسه عملكرد آن‌ها كم‌تر مورد توجه قرار گرفته است. بر اين اساس پژوهش حاضر با هدف مدل سازي تلفات خاك ناشي از هفده رگبار به وقوع پيوسته در پلات هاي مستقر در جنگل تخريب شده و نشده در سه تكرار) در حوزه آبخيز آموزشي و پژوهشي جنگلي دانشگاه تربيت مدرّس (كجور) از مهرماه 1388 تا فروردين 1389، با استفاده از روش هاي شبكه عصبي مصنوعي و روش همبستگي دو و چند متغيره پي ريزي گرديد. نتايج دقت سنجي مدل ها با معيارهاي ريشه مجذور مربعات خطا، ضريب كارايي و ضريب تعيين در روش همبستگي دو و چند متغيره بيان گر دقت بيش تر مدل همبستگي با سه ورودي مقدار بارش، حجم روان‌آب و ضريب روان‌آب، نسبت به ديگر روش ها مي باشد. در روش شبكه عصبي مصنوعي مدل با ورودي هاي مشابه روش همبستگي دو و چند متغيره در بين مدل هاي ديگر شبكه عصبي مصنوعي با ورودي هاي متفاوت، دقت برآورد بيش تري داشته است. مقايسه مدل هاي شبكه عصبي مصنوعي با روش هاي همبستگي دو و چند متغيره در تمامي مدل هاي محاسبه شده گوياي دقت برآورد بيش تر مدل شبكه عصبي مصنوعي نسبت به مدل هاي همبستگي در هر دو تيمار بوده است.

Sediment yield prediction is one of the important factors in watershed management. So that many different techniques viz. artificial neuron network (ANN) and regression models have been used to predict sediment yield. However, their performances have not been evaluated. The present study therefore aimed to model storm wise sediment yield from small plots located in disturbed and undisturbed forest areas in three replicates in Educational and Research Forest Watershed of Tarbiat Modares University (Kojour) occurred during October 2008 to April 2009. The modeling was conducted using two methods of ANN and bi and Multivariate regression models. The performance of the models was checked by means of RMSE, R2 and coefficient of efficiency. The results of the study showed that the multivarite regression model with three input variables of rain depth, runoff volume and runoff coefficient performed better than other multivarite regression. The ANN model with the inputs similar to those for the multivarite regression also had better performance rather than other ANN models. In overall, the ANN models with the same input variables performed better than multivariate regression models in the study treatments.