سعید جانی زاده

مدلسازی و پیش بینی دقیق رسوب معلق در رودخانه عنصر کلیدی مدیریت منابع آب و سیاست های محیط زیستی می باشد. در این پژوهش کارایی مدل های شبکه عصبی مصنوعی و شبکه عصبی-فازی تطبیقی در پیش بینی بار رسوب معلق روزانه ایستگاه گرو واقع در حوضه آبخیز گرو مورد ارزیابی قرار گرفت. بدین منظور از آمار 782 نمونه (1380-1393) رسوب معلق برحسب میلی گرم بر لیتر و دبی جریان اندازه گیری شده متناظر با رسوب بر حسب متر مکعب بر ثانیه در سه الگوی ورودی مختلف استفاده شد. برای اجرای مدل های  شبکه عصبی مصنوعی و شبکه عصبی-فازی تطبیقی داده ها به دو دسته آموزش و آزمون تقسیم به طوری که 80% داده ها برای آموزش و 20% برای آزمون در نظر گرفته شد.  در شبکه عصبی مصنوعی از دو تابع سیگموئید  و تابع تانژانت هیپربولیک در لایه میانی و از تابع خطی در لایه خروجی و برای انجام مدل شبکه عصبی فازی-تطبیقی از روش تفکیک شبکه ای با سه تابع عضویت (مثلثی، گوسی و زنگوله ای تعمیم یافته) با تعداد عضویت بهینه که با سعی و خطا تعیین شد استفاده گردید. نتایج حاصل از پیش بینی رسوب معلق نشان داد که بهترین پیش بینی با با ضریب همبستگی 96/0، ضریب کارایی 95/0 و میانگین مربعات خطای 12/4789 میلی گرم بر لیتر مربوط به الگوی ورودی 2 با متغیر های ورودی دبی جریان روز جاری (Qt) و تاخیر دبی جریان روزانه تا 1 روز قبل از مبدا زمانی پیش بینی (Qt-1) و تاخیر رسوب معلق روزانه تا 1 روز قبل از مبدا زمانی پیش بینی (St-1) می باشد. بررسی نتایج حاصل از مدل های شبکه عصبی-فازی تطبیقی و شبکه عصبی مصنوعی نشان داد که مدل شبکه عصبی-فازی تطبیقی در هر سه الگو عملکرد بهتری نسبت به شبکه عصبی مصنوعی در پیش بینی رسوب معلق روزانه داشته است.