پيش بيني بار معلق رودخانه با استفاده از مدل‌هاي سري زماني و شبكه عصبي مصنوعي (مطالعه موردي: ايستگاه قزاقلي رودخانه گرگانرود)

Suspended Sediment Prediction using Time Series and Artificial Neural Networks Models (Case Study: Ghazaghly Station in Gorganroud River)

برآورد ميزان دقيق رسوبات معلق در رودخانه‌ها از ابعاد مختلف كشاورزي، حفاظت خاك، كشتيراني، سدسازي، حيات آبزيان و ابعاد تحقيقاتي، داراي اهميت فراواني است. روش‌هاي مختلفي براي بررسي و برآورد رسوبات معلق رودخانه، موجود مي‌باشد كه البته توانايي اين روش‌ها متفاوت است. در تحقيق حاضر به منظور مقايسه و بررسي توانايي مدل‌هاي سري زماني شامل ماركف، ARIMA و شبكه‌هاي عصبي در پيش بيني رسوب معلق، از داده‌هاي روزانه ايستگاه قزاقلي واقع روي رودخانه گرگانرود استفاده شده است. داده‌هاي موجود به‌صورت متوسط رسوب معلق ماهانه در محيط نرم افزار Minitab 16 وNeurosolutions 5 به‌كار‌گرفته شد و در نهايت پيش بيني رسوب براي 111 ماه انجام گرفت. در مرحله بعد، مقادير پيش‌بيني شده توسط مدل‌هاي مختلف، با شاخص‌هاي اندازه‌گيري خطا شامل RMSEوNMSE نشان داد كه شبكه‌هاي عصبي در مقايسه با مدل‌هاي سري زماني توانايي بهتري در پيش‌بيني و مدل‌سازي رسوب ماهانه دارد و نيز در بين مدل‌هاي سري زماني، مدل ماركف در مقايسه با مدل ARIMA داراي توانايي بهتري در برآورد رسوب معلق مي باشد.

Accurate estimation of suspended sediment in rivers is very important from different aspects including agriculture, soil conservation, shipping, dam construction and aquatic research. There are different methods for suspended sediment estimation. In the present study to evaluate the ability of time-series models including Markov and ARIMA in predicting suspended sediment and to compare their results to Artificial Neural Networks it was tried to use daily suspended data from Ghazaghly station of Gorganroud River, as average monthly values in Minitab 16 software and Neurosolutions 5, and finally suspended sediment was predicted for 111 months. Calculation of the error measurement indices including RMSE and NMSE based on the results of this study showed a good ability of Artificial Neural Network models in estimating average monthly suspended sediment. On the other hand between time series models, Markov model has better ability in estimating monthly suspended sediment in comparison to the ARIMA model.