پديد آورندگان :
علي‌جانپور شلماني, عادله دانشگاه زنجان - دانشكده كشاورزي , واعظي, عليرضا دانشگاه زنجان - دانشكده كشاورزي , طباطبايي, محمودرضا سازمان تحقيقات، آموزش و ترويج كشاورزي تهران - پژوهشكده حفاظت خاك و آبخيزداري
كليدواژه :
ﺗﺎﻧﮋاﻧﺖ ﺳﯿﮕﻤﻮﺋﯿﺪ , آزﻣﻮن ﮔﺎﻣﺎ و ﺧﻮﺷﻪﺑﻨﺪي , ﺷﺒﮑﻪ ﻋﺼﺒﯽ ﻣﺼﻨﻮﻋﯽ , ﻧﮕﺎﺷﺖ ﺧﻮدﺳﺎزﻣﺎنده
چكيده فارسي :
تحليل داده هاي بار رسوب معلق در رودخانه ها اساس شناخت روند فرسايش و رسوب در بحث مديريت و برنامه ريزي منابع آب و خاك است. به دليل عدم دسترسي به داده هاي بار رسوب معلق روزانه با اندازه گيري مستقيم، استفاده از روش هايي براي مدل سازي و برآورد آن در حوزه هاي آبخيز حائز اهميت است. يكي از روش هاي مناسب مورد استفاده در اين زمينه، به كارگيري شبكه هاي عصبي مصنوعي است. براي مدل سازي بار رسوب معلق روزانه، ايستگاه هيدرومتري سيرا در حوزه آبخيز رودخانه كرج مورد مطالعه قرار گرفت. تعداد داده مورد استفاده در اين پژوهش، 624 داده با طول دوره آماري 31 سال (از سال 1360 تا1390) است. متغيرهاي ورودي به مدل هاي شبكه عصبي مصنوعي شامل دبي لحظه اي، متوسط دبي روزانه، متوسط دبي روزانه با تاخير سه روزه، متوسط بارش روزانه و متوسط بارش روزانه با تاخير سه روزه و متغير خروجي به مدل ها بار رسوب معلق روزانه است. براي تعيين متغيرهاي بهينه و بهترين تركيب متغيرها براي ورود به مدل از آزمون گاما و الگوريتم ژنتيك استفاده شد. سپس، اين تركيب ها به همراه برخي از تركيب متغيرهاي حاصل از آزمون و خطا، وارد مدل هاي شبكه هاي عصبي مصنوعي شد. از شبكه عصبي نگاشت خودسازمان ده براي خوشه بندي داده ها استفاده و داده ها به سه گروه همگن، شامل 70 درصد براي آموزش، 15 درصد براي اعتبارسنجي و 15 درصدي براي آزمون جدا شد. در ادامه، تركيب متغيرها وارد مدل هاي شبكه عصبي با توابع فعال سازي لوگ سيگموئيد و تانژانت سيگموئيد شد. نتايج نشان داد، در بين تمام تركيب هاي ورودي به مدل هاي شبكه عصبي، مدل با تابع فعال سازي تانژانت سيگموئيد با تركيب متغيرهاي ورودي شامل دبي لحظه اي (Q)، دبي متوسط روزانه (Qi)، دبي متوسط روزانه دو روز قبل (Qi-2)، دبي متوسط روزانه سه روز قبل (Qi-3)، بارندگي متوسط روزانه (Pi)، بارندگي متوسط روزانه دو روز قبل (Pi-2) و بارندگي متوسط روزانه سه روز قبل (Pi-3) مدل مناسب براي برآورد بار رسوب معلق روزانه شد. . اﯾﻦ ﻣﺪل ﮐﻤﺘﺮﯾﻦ ﻣﻘﺪار ﺧﻄﺎ )) -RMSE=1995/33 (tonday-1) ،MAE=500/05 (tonday و %7=Erel(، ﺑﺎﻻﺗﺮﯾﻦ دﻗﺖ )R2=0/96(، ﺑﺎﻻﺗﺮﯾﻦ ﮐﺎراﯾﯽ ﻣﺪل )0/96=NSE( و ﮐﻤﺘﺮﯾﻦ اﻧﺤﺮاف اﺳﺘﺎﻧﺪارد ﻋﻤﻮﻣﯽ )0/97=GSD( را در ﻣﻘﺎﯾﺴﻪ ﺑﺎ ﺳﺎﯾﺮ ﻣﺪلﻫﺎ دارد. اﯾﻦ ﻣﺪل، ﺑﻬﺘﺮﯾﻦ ﺗﺮﮐﯿﺐ ﺑﺎ ﺗﺎﺛﯿﺮﮔﺬارﺗﺮﯾﻦ ﻣﺘﻐﯿﺮﻫﺎي ورودي ﺑﻪدﺳﺖ آﻣﺪه از آزﻣﻮن ﮔﺎﻣﺎ و اﻟﮕﻮرﯾﺘﻢ ژﻧﺘﯿﮏ ﺑﺮاي ﺑﺮآورد SSL اﺳﺖ.
چكيده لاتين :
Analysis of suspended sediment load data in rivers is the basis for understanding the trend of erosion and sediment in the management and planning of soil and water resources. Due to lack of access to daily suspended sediment loading data with direct measurement, it is important to use methods for modeling and estimating it in watersheds. One of the best methods used in this field is the use of artificial neural networks. To evaluate daily suspended sediment load, Sira hydrometric station was studied in Karaj River watershed. The number of data used in this study included 624 information records of 31 years (1981–2011) statistical period .Input data to the artificial neural network models included instantaneous flow discharge, average daily flow discharge, average daily flow discharge with a delay of three days, average daily precipitation and average daily precipitation with a delay of three days. Output data to models was daily suspended sediment load. In this research, gamma test and genetic algorithm were used to obtain optimal variables and best combination of variables for entering the model. Then, these combinations with some combination of test and error variables were entered to artificial neural network models. The self-organizing map neural network was used for data clustering and all data were divided into three homogeneous groups: 70 percentage training data, 15 percentage validation data and 15 percentage test data. Then, the combination of variables entered to neural network models with activation functions log sigmoid and tangent sigmoid. The results showed that the neural networks using the optimal variable combinations in comparison with manual combinations have a more accurate estimate for suspended sediment load. In all combinations of inputs to neural network models, a model with tangent sigmoid activation function, with input variables combination including, instantaneous flow discharge (Q), average daily flow discharge (Qi), average daily flow discharge for two day ago (Qi-2), average daily flow discharge for three day ago (Qi-3), average daily precipitation (Pi), average daily precipitation for two day ago (Pi-2) and average daily precipitation for three day ago (Pi-3), was the best model for estimating daily suspended sediment load. This model has the lowest of error (MAE=500.05 (ton/day), RMSE=1995.33(ton/day) and Erel=7%), the highest accuracy (R2=0.96), the highest performance model (NSE=0.96) and has the lowest general standard deviation (GSD=0.97) compared to other models. Also, this model is the best combination with the most influential input variables derived from gamma test and genetic algorithm for estimating SSL.
