سیستم استنتاجی فازی عصبی

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.

در این تحقیق برای پهنه بندی زمین لغزش در حوضه رودخانه سنگورچای از مدل سیستم استنتاجی فازی عصبی (ANFIS) استفاده شد. به این منظور، داده های 124 زمین لغزش، شناسایی شده و برای انجام فرایند تحلیل و پردازش به سیستم ارائه شد. در کنار آن برای پردازش زمین لغزش ها، 8 لایه متشکل از لایه های شیب، جهت شیب، DEM، لیتولوژی، شبکه هیدروگرافی،لایه NDVI، گروه خاک و پراکنش زمین لغزش ترسیم گردید. برای پردازش لایه های فوق در مدل فازی عصبی، داده ها طی فرایند نرمالیزه کردن در بازه صفر و یک قرار گرفتند. در ادامه برای تعلیم و تست داده ها حدود 80 درصد داده ها برای تعلیم و 20 درصد برای تست انتخاب شدند. در تحقیقات متعدد مقدار فوق به عنوان حد قابل قبول در نظر گرفته شده است. سپس مقادیر فوق در ساختار سیستم استنتاجی فازی عصبی مورد پردازش قرار گرفتند. در نهایت با توجه به وزن خروجی، نقشه پهنه بندی زمین لغزش در پنج رده با خطرخیلی زیاد، زیاد، متوسط، کم و خیلی کم ترسیم گردید. نتایج نشان داد که ساختار زمین شناسی شکل گرفته از مارن خاکستری و توفهای آتشفشانی در کنارمنابع رطوبتی بالا باعث شده که ارتفاعات کوههای گنجگاه و اسلام آباد در محدوده جنوب غربی حوضه از قابلیت بالایی در رخداد زمین لغزش برخوردار شوند این در حالیست که نتایج حاصل از مدل سیستم استنتاجی فازی عصبی نشان می دهد که محدوده شرقی آق باش و شمالی کروز سفلی از بیشترین احتمال رخداد زمین لغزش های شدید برخوردار بوده و بخش مرکزی محدوده آق باش از کمترین احتمال رخداد زمین لغزش برخوردار می باشد.