ارزيابي ميزان برآورد رسوب با بهره گيري از روش منحني سنجه ومقايسه نتايج با روش هاي رگرسيوني و شبكه عصبي مصنوعي (مطالعه موردي :رودخانه بابل رود-استان مازندران)

Evaluation of Suspended Sediment Load by Sediment Rating Curves and Comparing with Artificial Neural Network and Regression Methods (Case study: Babolrud River Mazandaran Province)

زمينه و هدف: در تحقيق حاضر، هدف مقايسه تخمين بار رسوب معلق رودخانه بابلرود با استفاده از شبكه عصبي مصنوعي ، روش منحني سنجه، و روش رگرسيون مي باشد. روش بررسي: ورودي هاي مدل شامل دبي و خروجي مدل غلظت رسوب در گام زماني بوده است. ورودي و خروجي رودخانه در دوره (1392-1359) داراي روند مثبت بوده و 75 درصد داده ها جهت آموزش و 25 درصد داده ها جهت آزمون شبكه مورد استفاده قرار گرفت. براي آموزش شبكه ابتدا تعدادي از داده ها كه معرف شرايط مساله باشد را براي آموزش انتخاب كرده و بقيه داده ها جهت آزمون عملكرد شبكه آموزش ديده،به كار مي رود. يافته ها: نتايج بدست آمده نشان مي دهند كه غلظت بار معلق رسوب حاصل از مدل هاي شبكه عصبي مصنوعي به داده هاي واقعي غلظت رسوب نزديك تر هستند و ضريب همبستگي حاصل از شبكه عصبي مصنوعي معادل92/8 درصد مي باشد. اين در حالي است كه ضريب همبستگي براي مدل هاي منحني سنجه معادل87/1 درصد و روش رگرسيون آماري حداكثر معادل 90 درصدمي باشد. بحث و نتيجه گيري: سيستم شبكه عصبي مصنوعي نتايج و كارايي بهتري در پيش بيني بار معلق رسوب دارد و كارايي و انعطاف پذيري مدل شبكه عصبي مصنوعي در پيش بيني ميزان رسوبات معلق رودخانه نسبت به مدل هاي آماري و منحني سنجه نشان داده شده است.

Background and Objective: In this research the object is prediction of suspended sediment load by and artificial neural network (ANN), Sediment Rating Curves (SRC) and regression method for Babolrud River in Mazandaran province. Method: The inputs conclude discharge and the output is sediments concentration in time series. The input and output of river have positive procedure for (1979-2013) and 75% of data utilized for training and 25% for tests. For training the network, data that recognize issue conditions were selected and some data for testing, Findings: The results show the concentration of sediment suspended load derived artificial neural network and is close together and regression coefficient is 92.8%, while regression coefficient is 83% for sediment rating curves and 90% for statistical method respectively. Discussion and Conclusion: In conclusion, artificial neural network (ANN) has more workability and flexibility for prediction of suspended sediment load to sediment rating curves and statistical methods.