مقايسه كارآيي شبكه‌هاي عصبي CANFIS، MLP و MLP بهينه ‌شده به روش ژنتيك در شبيه‌سازي رسوب معلق رودخانه (مطالعه موردي: حوزه آبخيز زشك- ابرده، شانديز)

Performance Comparison of the Neural Networks CANFIS, MLP and Optimized MLP using Genetic Programming for Suspended Sediment Load Simulation (Case study: Zoshk-Abardeh Watershed, Shandiz, Iran)

در اين پژوهش شبكه عصبي مصنوعي CANFIS و پرسپترون چندلايه (MLP) در برآورد بار رسوب حوزه زشك ابرده شهرستان شانديز مورد ارزيابي قرار گرفت. بدين منظور سه سناريو شبيه‌سازي شد. به‌منظور شبيه‌سازي سناريوي S1 از ورودي دبي آب، سناريوي S2از دبي آب و باران روزانه و سناريوي S3از ورودي دبي آب، باران و دماي روزانه استفاده گرديد. نتايج نشان داد سناريوي S3_CANFIS با معماري تابع عضويت بل، تابع انتقال تانژانت هايپربوليك و قانون آموزش لونبرگ ماركوارت باNSE (ضريب نش) برابر با 743/0 و AM (سنجه جمعي) برابر با 806/0 نسبت به S2_CANFIS و S1_CANFIS كارايي بهتري در پيش‌بيني بار رسوبي دارد. نتايج شبكه MLPحاكي از اين است كه سناريوي S2_MLP با معماري 5 نورون مخفي در 2 لايه پنهان، تابع انتقال سيگموئيد و قانون يادگيري مومنتم با NSE برابر با 604/0 و AM برابر با 626/0 در مقايسه با ساير سناريوهاي MLP بهتر عمل كرده است. ازآنجايي‌كه شبكه MLP در مقايسه با شبكه CANFIS عملكرد ضعيف‌تري را در برآورد ميزان رسوب نشان داد، از الگوريتم ژنتيك براي آموزش و تعيين بهينه پارامترهاي معماري شبكه S2_MLP كمك گرفته شد. نتايج نشان داد كه الگوريتم ژنتيك با ضريب نش-ساتلكيف برابر با 658/0 و AM برابر با 655/0 نسبت به مدل MLP عملكرد بهتري داشته است. با مقايسه شبكه عصبي CANFISبا MLP-GA مشخص مي‌شود كه CANFIS عملكرد بهتري را در پيش‌بيني رسوب حوزه نسبت به ساير شبكه‌ها داشته است. اما بااين‌وجود درمجموع شبكه عصبي در اين حوزه كارايي كاملاً رضايت‌بخشي را در پيش‌بيني دقيق بار رسوبي نشان نداد كه اين مي‌تواند ناشي از كمبود داده‌هاي آموزشي (به‌ويژه مقادير حدي) و غيردقيق بودن و وجود خطا در آمار حوزه باشد.

In this study, the predictive performance of three Artificial Neural Networks (ANNs), i.e. Co-Active NeuroFuzzy Inference System (CANFIS), Multi-Layer Perceptron (MLP) and MLP integrated with Genetic Algorithm (GA) in the Zoshk-Abardeh watershed were compared. In this study, three scenarios were considered and simulated in each model. In order to simulate the scenario S1 water flow were fed into the network as input. Daily water discharge and rainfall depth were considered as the input for the scenario S2. The scenario S3 was simulated based on the water discharge, daily rainfall and temperature as the inputs. In all scenarios daily sediment load was considered as the network output. Results showed that the optimum architecture for the S3_CANFIS (as the best network) was based on the Bell membership function, hyperbolic tangent transfer function and the Levenberg-Marquardt training algorithm. The S3_CANFIS with the lower MSE and NMSE acted better as compared with other scenarios during the testing process. This scenario based on the NSE equal to 0.743 and the AM equal to 0.806 showed better performance, as well. The results also suggest that the S2_MLP with 5 neurons in two hidden layers, sigmoid transfer function and the momentum learning algorithm with NSE and AM equal to 0.604 and 0.626, respectively acted better as compared with other MLP scenarios. Since the MLP network compared with CANFIS showed weaker performance in sediment yield simulation, the GA was integrated with MLP to determine the optimal network architecture parameters for the S2_MLP. Results showed that GA-MLP with NSE and AM equal to 0.658 and 0.655, respectively led to a higher capability for sediment load simulation in comparison with MLP network. Totally, the S3_CANFIS according to the criteria MB equal to -0.043, NSE equal to 0.743 and AM equal to 0.806 showed better performances in predicting sediment yield than the other networks in the studied watershed. However, both networks did not show a satisfactory power in sediment load simulation which could be arisen from the lack of data (especially extreme data) in the training series and also the existence of systematic error in observed records.