ارزيابي قابليت مدل سيستم استنتاجي فازي عصبي(ANFIS) در تخمين مقادير بار معلق رسوبي و مقايسه آن با 2 نوع از مدل‌هاي شبكه‌ي عصبي مصنوعي مطالعه موردي: رودخانه زرينه‌‌رود، حوضه جنوب‌شرقي درياچه اروميه

Assessing the Capability of Adaptive Neuro Fuzzy Interference System (ANFIS) in Estimating the Amount of Suspended Sediment Load and its Comparison with Two Models of Artificial Neutral Fuzzy Infe

حوضه‌هاي جنوب شرقي درياچه اروميه به علت برخورداري از شرايط هيدرولوژيكي و ليتولوژيكي خواص، از ميزان بالاي توليد رسوب برخوردارند. با توجه به اين نكته در اين تحقيق براي تخمين بار معلق رسوبي روزانه از سيستم استنتاجي فازي عصبي( ANFIS) بهره گرفته شده است. به اين منظور داده‌هاي دبي روزانه و بار معلق رسوبي365 روز سال 1386 و 1387 ايستگاه رسوبي واقع در رودخانه زرينه رود براي تعليم و آزمودن مدل‌هاي شبكه عصبي مصنوعي مورد استفاده قرار گرفته است. در كنار اين مدل از مدل‌هاي پرسپترون چندلايه( MLP)، شبكه عصبي تابع پايه شعاعي( RBF) و منحني سنجه رسوبي ( SRC) نيز بهره گرفته شد. سپس نتايج مدل ANFIS با مدل‌هاي فوق مقايسه گرديد. براي تعيين كارايي مدل‌ها از فاكتور مجذور ميانگين مربعات خطا (RMSE) و خطاي تبيين (R2) استفاده شده و مشاهده مي‌شود كه مدل ANFIS با برخورداري از خطاي تبيين معادل 9087/0 و مجذور ميانگين مربعات خطاي معادل 224 ميليگرم در ليتر نسبت به ساير مدل‌ها به نتايج بهتري دست مي‌يابد. كمترين ميزان R2 و RMSE نيز براي مدل SRC به ترتيب معادل 8251/0 و 304 برآورد گرديد. مقادير آكاييك نيز براي مدل ANFIS معادل 1993 محاسبه شد كه اين امر نشان‌دهنده‌ي قابليت بالاي مدل ANFIS در تخمين بار معلق رسوبي مي‌باشد.

Load sediment transport in rivers is important according to their role in pollution, Reservoir filling, hydroelectric equipment life, Fish and other hydrological issues. Direct measurement of suspended sediment load in rivers is expensive and construction of measurement stations along the river is not possible. The equations used to estimate the sediment load are not applicable for all areas and also require long-term monitoring. In this study, to estimate daily sediment load, the Neural Fuzzy Inference System (ANFIS) is used. For this, daily discharge and suspended sediment load data of 365 days of years 2007 and 2009 of Zarine rood located in the south east of Urmia Lake is used for training and testing the Artificial Neutral Fuzzy Inference System. Southeast basin of Urmia Lake due to its hydrological and litologhical conditions have high rates of sediment production. ANFIS model is a nonlinear model and this is a great advantage. Note that the suspended sediment load also follows a linear relationship, so this model can achieve more accurate and more realistic results. This model of the multilayer Perceptron model (MLP), Neural networks, radial basis function (RBF), and sediment measures curve (SRC) has been used in these estimates. The results of ANFIS model is compared with the above models. To determine the model efficiency, the mean square error factor (RMSE) and explanation error (R2) was used and it can be seen that the ANFIS model achieves better results than the other models