مقايسه ميزان كارآيي شبكه عصبي مصنوعي و مدل‌هاي رگرسيوني، منحني‌سنجه رسوب در برآورد رسوب معلق روزانه

Comparison of the efficiency of artificial neural networks method and regression model, sediment rating curve, for daily suspended sediment estimation

تعيين ميزان فرسايش خاك و بار رسوبي رودخانه عملاً كاري مشكل است؛ بنابراين روش هاي مختلفي براي آن ها پيشنهاد شده است. يكي از روش هاي نوين در حل مسايل مهندسي آب و همچنين برآورد رسوب معلق رودخانه ها، استفاده از شبكه عصبي مصنوعي است كه با الگو برداري از شبكه مغز انسان، ضمن اجراي فرآيند آموزش، روابط دروني بين داده ها را كشف كرده و به موقعيت هاي ديگر تعميم مي دهد. هدف از انجام اين تحقيق، بررسي كارآيي روش شبكه عصبي مصنوعي در برآورد رسوب معلق روزانه نسبت به مدل هاي رگرسيوني (منحني سنجه رسوب) است. بدين منظور، ابتدا آمار هم زمان دبي آب و دبي رسوب رودخانه شور خارستان در خروجي حوزه آبخيز، در طي يك دوره آماري 22 ساله جمع آوري گرديد و پس از رفع نواقص آماري و حذف داده هاي پرت، از آن ها براي مدل سازي رسوب معلق روزانه با استفاده از روش شبكه عصبي و مدل رگرسيوني خطي استفاده شد. سپس نتايج به دست آمده از دو روش شبكه عصبي و مدل رگرسيون خطي (منحني سنجه رسوب)، بر اساس معيارهاي MAE ،RMSE و R2 ارزيابي شد. نتايج نشان داد كه برآورد روش شبكه عصبي مصنوعي، در مقايسه با برآورد مدل رگرسيون خطي (منحني سنجه رسوب)، دقت بالاتري دارد؛ به طوري كه مقدار MAE ،RMSE و R2 برآورد شبكه عصبي به ترتيب، برابر با 19.27، 12.14 و 0.98 و براي مدل رگرسيون خطي، به ترتيب برابر با 36.84، 20.75 و 0.74 است كه نشان دهنده پايين بودن خطا در مدل شبكه عصبي مصنوعي نسبت به مدل رگرسيون خطي است.

Estimation of soil erosion and sediment yield in a river is a difficult task and several methods have been suggested for its estimation. One the new methods in river engineering and suspended sediment estimation is application of artificial neural networks which uses the same algorithm of human brain to find out the internal relation between data based on the training process. The objective of current study is to explore the capability of artificial neural networks method for estimation of daily suspended sediment in Kharestan watershed located in the northwest of Fars province, Iran. The study of efficiency is based on the comparison of neural network with regression models. For this purpose, 22 years of water and sediment discharge data of Shoor Kharestan River were considered and tested for outliers. Then the estimation was done based on neural networks and linear regression method (sediment rating curve) and were compared based on RMSE, MAE and R2. The results showed that estimation of neural network is more accurate than that of linear regression (sediment rating curve). The estimations of RMSE, MAE and R2 for neural networks method was 19.27, 12.14 and 0.98 respectively while these values for linear regression were 36.84, 20.75 and 0.74 which showed the lower errors of neural networks method compared with linear regression.