كاربرد شبكه عصبي موجك در تخمين رسوبات معلق رودخانه‌ها، مطالعه موردي: رودخانه كشكان - لرستان

Application of wavelet neural network in estimating suspended sediments of rivers, case study: Kashkan-Lorestan River

شبيه‌سازي و ارزيابي آورد رسوب رودخانه از جمله مسائل مهم در مديريت منابع آب مي‌باشد. اندازه‌گيري مقدار رسوب به روش‌هاي متداول عموماً مستلزم صرف وقت و هزينه زيادي بوده، گاهي از دقت كافي نيز برخوردار نيست. در اين پژوهش براي تخمين رسوبات رودخانه كشكان واقع در استان لرستان، از شبكه عصبي موجك استفاده شد و نتايج آن با روش‌هاي مرسوم هوشمند همچون شبكه عصبي مصنوعي مقايسه شد. پارامتر دبي، دما، ميزان مواد جامد محلول در آب و بارش به‌عنوان ورودي و دبي رسوب به‌عنوان خروجي مدل در مقياس زماني ماهانه طي دوره آماري (1393-1364) انتخاب شد. معيارهاي ضريب همبستگي، ريشه ميانگين مربعات خطا و ضريب نش ساتكليف براي ارزيابي و نيز مقايسه عملكرد مدل‌ها مورد استفاده قرار گرفت. نتايج حاصله نشان داد، ساختار تركيبي توانسته با استفاده از دو روش هوشمند مورد بررسي، در تخمين ميزان رسوب نتايج قابل قبولي ارائه كند. ليكن از لحاظ دقت، مدل شبكه عصبي موجك با بيشترين ضريب همبستگي (0.850)، كمترين ريشه ميانگين مربعات خطا (t day-1 0.051) و نيز معيار نش ساتكليف (0.758) در مرحله صحت‌سنجي در اولويت قرار گرفت. در مجموع نتايج نشان داد كه مدل شبكه عصبي موجك توانايي بالايي در تخمين مقادير كمينه و بيشينه برخوردار است.

Simulation and evaluation of river sediment is one of the important issues in water resources management. Measuring the amount of sediment in conventional methods generally involves a lot of time and cost and sometimes does not have sufficient accuracy. In this study, a wavelet neural network was used to estimate the sediments of the Kashkan River in Lorestan Province, and its results were compared with conventional smart methods such as artificial neural network. Parameters of discharge, temperature, water soluble solids content and precipitation as input and sediment discharge were selected as output during the monthly statistical period (1984-2013). Correlation coefficient, root mean squared error, and Nash Sutcliff coefficient were used to evaluate and compare the performance of the models. Results showed that the combined structure has been able to provide acceptable results in estimating sediment yield using two intelligent methods. However, in terms of accuracy, the wavelet neural network model with the highest correlation coefficient (0.850), the lowest root mean square error (0.151 tonday-1), and the Nash-Sutcliff criterion (0.758) were prioritized in the validation stage. Results also showed that the wavelet neural network model has a high ability to estimate the minimum and maximum values.