بررسي كارايي سيستم استنتاج فازي-عصبي تطبيقي در برآورد بار رسوب معلق رودخانه نازلوچاي

رسوب معلق در انتقال آلودگي ها تأثيرگذار بوده و باعث بروز مشكلاتي در كيفيت آب هاي سطحي مي شود. مدلسازي و تخمين ميزان رسوب در رودخانه نازلوچاي در سه ايستگاه هيدرومتري آباجالوسفلي، تپيك و كريم آباد با به كارگيري مدل هاي شبكه عصبي چندلايه پرسپترون (MLP)، درخت تصميم (DT)، K-نزديك ترين همسايگي (KNN) و سامانه استنتاجي فازي-عصبي تطبيقي (ANFIS) هدف اصلي پژوهش حاضر مي باشد. نتايج نشان مي دهد كه نوع تابع عضويت مثلثي، ذوزنقه اي و گوسين با تعداد توابع عضويت 1، 3 و 2 به ترتيب در ايستگاه هاي آباجالوسفلي، تپيك و كريم آباد داراي بالاترين عملكرد با ضريب همبستگي 90/0، 94/0 و 84/0 جهت تخمين بار رسوب مي باشد. همچنين، نتايج نشان مي دهد كه در ايستگاه هاي مورد مطالعه به ترتيب مدل هاي ANFIS، MLP، DT و KNN داراي بهترين عملكرد جهت تخمين ميزان بار رسوب در رودخانه نازلوچاي مي باشند. به طوريكه مدل ANFIS داراي كم ترين ميزان خطا و بيشترين مقادير ضريب همبستگي و شاخص كارايي مدل بوده و در مقابل مدل KNN داراي بيشترين ميزان خطا و كم ترين ضريب همبستگي و شاخص كارايي مي باشد. از طرفي نتايج حاكي از آن است كه چهار مدل هوشمند به كار گرفته شده عملكرد مناسب نسبت به روش تجربي منحني سنجه در تخمين ميزان رسوب در رودخانه نازلوچاي را دارد. بنابراين، با روند رشد سريع جمعيت و به‌تبع آن گسترش مراكز شهري و صنعتي و نيز كاربري كشاورزي در اطراف رودخانه نازلوچاي، درصورتي‌كه اقدامات جدي صورت نگيرد آلودگي و ميزان رسوبات در مسير رودخانه گسترش‌يافته و سلامت انسان و ساير موجودات را در طول رودخانه تهديد مي كند.