برآورد رسوب معلق در حوضه آبریز قره سو استان اردبیل با استفاده از مدل های شبکه عصبی مصنوعی RBF و MLP(مقاله علمی وزارت علوم)
حوزه‌های تخصصی:
فرسایش به وسیله آب، جدی ترین شکل تخریب زمین در بسیاری از نقاط جهان به ویژه در مناطق خشک و نیمه خشک است که در آن میزان تشکیل خاک معمولاً کمتر از میزان فرسایش آن می باشد. در این تحقیق کارایی مدل های شبکه عصبی مصنوعی به دو روش تابع شعاع محور(RBF) و پرسپترون چند لایه(MLP) در تخمین رسوب معلق در حوضه قره سو استان اردبیل مورد بررسی قرار گرفت. در این مطالعه از داده های 3834 رسوب روزانه ثبت شده مربوط به دوره آماری سال 1350 تا 1399 استفاده شد. به منظور بررسی همبستگی بین متغیرها برای ورود به عملیات مدلسازی از روش همبستگی پیرسون استفاده گردید و جهت پیش بینی و مدلسازی رسوب در حوضه موردنظر از مدل شبکه عصبی مصنوعی استفاده شد. نتایج نشان می دهد که انتخاب تعداد 3 نرون در لایه پنهان با داده های ارزیابی، آموزش و جدانگه داشته شده به ترتیب با مقادیر 2618، 701 و 515 برای مدل RBF و تعداد 8 نرون در لایه پنهان با داده های ارزیابی، آموزش و جدانگه داشته شده به ترتیب با مقادیر 2592، 709 و 533 برای مدل MLP، بیشترین دقت پیش بینی را دارا می باشند. بطوریکه دقت پیش بینی در مدل RBF با ضریب همبستگی 941/0R2= و 002/65RMSE= و در مدل MLP با ضریب همبستگی 917/0R2= و 244/88RMSE= می باشد. با توجه به مشکلات اندازه گیری رسوبات بار کف و اریب زیاد ناشی از محاسبه بار بستر به عنوان درصدی از بار معلق، می توان توصیه نمود که از مدل شبکه عصبی مصنوعی RBF به عنوان یک روش قدرتمند، سریع و با دقت بالا برای تخمین رسوب استفاده شود. همچنین نتایج حاضر ضمن معرفی عوامل تاثیرگذار بر میزان تولید رسوب در حوزه مورد مطالعه ، می تواند برای برآورد رسوب به مناطق فاقد آمار تعمیم داده شود.