مقايسه مدل هاي شبكه عصبي مصنوعي و منحني سنجه رسوب در شبيه سازي ميزان رسوب معلق؛ مطالعه موردي حوزه آبخيز شاهرود

Comparison on artificial neural network and sediment rating curve models for simulating of suspended sediment load;case study Shahrood watershed

اين پژوهش با هدف مقايسه كارآيي برخي مدل هاي شبيه سازي ميزان رسوب معلق شامل منحني سنجه رسوب و شبكه عصبي مصنوعي و ارائه مدل بهينه بر اساس دبي جريان در حوزه آبخيز شاهرود و بر روي ايستگاه هاي هيدرومتري گلينك، باغكلايه، لوشان و رجائي دشت انجام شد. به منظور شبيهسازي ميزان رسوب معلق از مدل منحني سنجه رسوب يك خطي و مدل هاي شبكه عصبي پرسپترون چند لايه و تابع پايه شعاعي بهره گرفته و سپس ارزيابي اين مدل ها با استفاده از ضريب NASH و RMSE انجام شد. نتايج حاصل از اين پژوهش حاكي از آن است كه در كليه ايستگاه هاي هيدرومتري مورد بررسي، مدل شبكه عصبي مصنوعي در مقايسه با مدل منحني سنجه رسوب نتايج بهتري ارائه كرد. به طوري كه مدل شبكه عصبي مصنوعي پرسپترون چند لايه با تابع تحريك سيگموئيد در ايستگاه هاي گلينك و رجايي دشت به ترتيب با RMSE، 1/033 و 0/825 تن در روز و ضريب NASH، 0/84و 0/839 و اين مدل با تابع تحريك تانژانت سيگموئيد در ايستگاه هاي باغ كلايه و لوشان به ترتيب با RMSE، 0/799 و 0/883 تن در روز و ضريب NASH، 0/772 و 0/895 كارآيي بهتري در شبيه سازي ميزان رسوب معلق دارد. همچنين مقايسه نتايج حاصل از دو مدل شبكه عصبي مصنوعي نشان داد كه شبكه هاي MLPدر مقايسه با شبكه هاي RBF از دقت بيشتري در شبيه سازي ميزان رسوب معلق برخوردارند و تنها مزيت شبكه هاي RBF زمان كمتر مورد نياز براي آموزش است.

This research was conducted to compare the efficiency of some simulation models including sediment rating curves and artificial neural networks for simulating the suspended sediment load amount. Optimized model basis of flow discharge in Shahrood watershed upon the hydrometric stations including Glinak، Baghkalaye، Loshan and Rajayi dasht was represented. In order to simulate the suspended sediment load we compared one linear rating curve and artificial neural network with multi-layer perceptron and radial base function models. Then performance evaluation these models was carried out by NASH and RMSE criteria..The results showed that artificial neural network with multi-layer perceptron method in comparison on sediment rating curve model in all of these stations simulated better models . So that artificial neural network with sigmoid triggering function in Glinak and Rajayi dasht stations with RMSE as 1.033 and 0.825 ton/day and NASH as 0.84 and 0.839 and this model with tansigmoid triggering function in Baghkalaye and Loshan stations with RMSE as 0.799 and 0.883 ton/day and NASH as 0.772 and 0.895، respectively، have the better efficiency for simulating of suspended sediment load amount. Also comparison of two neural network models showed that MLP model is better than RBF model for simulating of suspended sediment load amount. The only benefit of RBF networks is less time needed for training.