منحنی سنجه رسوبی

در این تحقیق، مدل تبرید تدریجی عصبی (NDE)با بهره گیری از ترکیب های ورودی مختلف برای تخمین بار معلق رسوبی روزانه به کار گرفته شد. به این منظور در اولین بخش از تحقیق، مدل NDEبا استفاده از داده های دبی روزانه و بار معلق رسوبی روزهای پیشین تعلیم داده شده و برای تخمین بار معلق رسوبی رودخانه گیوی چای مورد استفاده قرار گرفت. در دومین بخش از تحقیق، مدل NDE با استفاده از پارامترهای ضریب تبیین (R2) و خطای مجذور میانگین مربعات (RMSE )با مدل های سیستم استنتاجی فازی عصبی (ANFIS)و تابع پایه شعاعی (RBF) مقایسه گردید. نتایج نشان داد که مدل NDE با برخورداری از مقادیر ضریب تبیین (R2) معادل9586/0 و RMSE معادل 160 میلی گرم در لیتر در مقایسه با سایر مدل ها از قابلیت بهتری در تخمین بار معلق رسوبی برخوردار است. در تخمین حداکثر بار معلق رسوبی نیز مدل NDE، با برخورداری از مقادیر خطای نسبی (RE) معادل 47- درصد به نتایج بهتری دست یافته است.

انتقال رسوب ها در رودخانه ها با توجه به نقش آنها در مباحث هیدرولوژیکی، از اهمیت ویژه ای برخوردار است. این رسوب ها به روش های گوناگون اندازه گیری می شوند. اندازه گیری مستقیم بار معلق رسوبی در رودخانه، هزینه بر بوده و امکان احداث ایستگاه های اندازه گیری در تمام طول رودخانه وجود ندارد. همچنین معادله های مورد استفاده در تخمین بار رسوبی، برای تمام مناطق قابل استفاده نبوده و علاوه بر آن، نیازمند دیده بانی های بلندمدت است. با این حال، برخی از روش ها در تخمین بار معلق رسوبی به نتایج مطلوبی دست یافته اند. در این مطالعه، سیستم استنتاجی فازی عصبی (ANFIS) با بهره گیری از ترکیب های ورودی مختلف برای تخمین بار معلق رسوبی روزانه به کار گرفته شد. به این منظور در اولین بخش از پژوهش، مدل ANFIS با استفاده از داده های دِبی روزانه و بار معلق رسوبی روزهای پیشین، تعلیم داده شده و برای تخمین بار معلق رسوبی رودخانه قرانقو مورد استفاده قرار گرفت. در دومین بخش از پژوهش، مدل ANFIS با استفاده از شاخص های ضریب تبیین (R2) و خطای مجذور میانگین مربعات (RMSE) با مدل های منحنی سنجه رسوبی (SRC) و رگرسیون چندمتغیره (MLR) مقایسه شد. نتایج نشان داد که مدل ANFIS با برخورداری از مقادیر ضریب تبیین (R2) برابر 9668/0، RMSE برابر 190، در مقایسه با سایر روش ها از قابلیت بهتری در تخمین بار معلق رسوبی برخوردار است. در این بین، مدل SRC با برخورداری از مقادیر R2 و RMSE که به ترتیب معادل 8384/0 و 454 تخمین زده شده است، به ضعیف ترین تحلیل در پیش بینی بار معلق رسوبی دست یافته است.

حوضه های جنوب شرقی دریاچه ارومیه به علت برخورداری از شرایط هیدرولوژیکی و لیتولوژیکی خواص، از میزان بالای تولید رسوب برخوردارند. با توجه به این نکته در این تحقیق برای تخمین بار معلق رسوبی روزانه از سیستم استنتاجی فازی عصبی([1]ANFIS) بهره گرفته شده است. به این منظور داده های دبی روزانه و بار معلق رسوبی365 روز سال 1386 و 1387 ایستگاه رسوبی واقع در رودخانه زرینه رود برای تعلیم و آزمودن مدل های شبکه عصبی مصنوعی مورد استفاده قرار گرفته است. در کنار این مدل از مدل های پرسپترون چندلایه([2]MLP)، شبکه عصبی تابع پایه شعاعی([3]RBF)و منحنی سنجه رسوبی ([4]SRC) نیز بهره گرفته شد. سپس نتایج مدل ANFISبا مدل های فوق مقایسه گردید. برای تعیین کارایی مدل ها از فاکتور مجذور میانگین مربعات خطا (RMSE)و خطای تبیین (R2)استفاده شده و مشاهده می شود که مدل ANFIS با برخورداری از خطای تبیین معادل 9087/0 و مجذور میانگین مربعات خطای معادل 224 میلیگرم در لیتر نسبت به سایر مدل ها به نتایج بهتری دست می یابد. کمترین میزان R2 و RMSEنیز برای مدل SRC به ترتیب معادل 8251/0 و 304 برآورد گردید. مقادیر آکائیک نیز برای مدل ANFIS معادل 1993 محاسبه شد که این امر نشان دهنده ی قابلیت بالای مدل ANFIS در تخمین بار معلق رسوبی می باشد.