ارزيابي تاثير تبديلات لگاريتمي و توابع هدف بر ميزان كارائي مدل‌هاي شبكه عصبي در برآورد بار رسوب معلق (مطالعه موردي: حوزه آبخيز سراب قره سو، رودخانه قوري‌چاي)

Evaluation of the Effect of Logarithmic Transformations and Objective Functions on the Performance of Neural Network Models in Estimation of Suspended Sediment Load (Case Study: Sarab Ghare So Watershed, Ghorichai River)

مقدمه و هدف: برآورد صحيح ﺑﺎر رﺳﻮب ﻣﻌﻠﻖ رودﺧﺎﻧﻪ‌ﻫﺎ، ﻧﻘش‌ مهمي در ﻣﺴﺎﺋﻞ ﻣﺮﺑﻮط ﺑﻪ ﻣﺪيﺮيﺖ ﻣﻨﺎﺑﻊ آب، آبخيزداري و علوم وابسته دارد. با توجه به داﻣﻨﻪ وﺳﯿﻊ ﺗﻐﯿﯿﺮات رﺳﻮب معلق در فصول مختلف سال و همچنين ﻣﺎﻫﯿﺖ به­شدت ﻏﯿﺮﺧﻄﯽ و پيچيده آن، لازم است از روش‌هايي مناسب كه مي‌توانند چنين پديده‌هائي را شبيه‌سازي و برآورد نمايند، استفاده شود. مواد و روش­ ها: از تبديل لگاريتمي داده‌ها و الگوريتم بهينه‌سازي ازدحام ذرات چند هدفه (MOPSO)، در آموزش بهينه مدل‌هاي شبكه عصبي استفاده شد. بدين­ منظور در ابتدا، با كمك شبكه عصبي بدون ناظر (SOM)، داده­هاي دبي جريان و دبي رسوب معلق ايستگاه هيدرومتري مورد مطالعه (دوره آماري 1395-1364) خوشه­ بندي و سپس با نمونه ­گيري از خوشه­ ها، مجموعه داده­ هاي مورد نياز براي آموزش و آزمون مدل­ هاي شبكه عصبي تهيه گرديد. پس از آن، به­ منظور ارزيابي تاثير به­ كارگيري تبديلات لگاريتمي و الگوريتم بهينه­سازي MOPSO، سه سناريو تعريف شد. در سناريوي اول، داده­هاي اوليه (بدون تبديل لگاريتمي) و الگوريتم گراديان مبنا رايج در آموزش مدل­هاي شبكه عصبي (پس انتشار خطا)، در سناريوي دوم، الگوريتم پس انتشار خطا و تبديلات لگاريتمي و در سناريوي سوم، از تبديلات لگاريتمي و الگوريتم MOPSO، در آموزش مدل­ هاي شبكه عصبي استفاده گرديد. يافته­ ها: ارزيابي و مقايسه نتايج صحت سنجي مدل­ها نشان داد كه به­ كارگيري تبديلات لگاريتمي و الگوريتم MOPSO، با كاهش خطاي RMSE و درصد اريبي (PBIAS) از 49 تن در روز و 21- درصد، در بهترين مدل از سناريو اول، به 30/3 تن در روز و 6/3- درصد، در بهترين مدل ازسناريو سوم، كارائي مدل­ها را افزايش داده است. از ديگر نتايج پژوهش، عدم برآورد ارقام منفي براي رسوب معلق بوده كه يكي از خطاهاي رايج در استفاده از مدل هاي شبكه عصبي در برآورد رسوب معلق است. نتيجه ­گيري: استفاده از توابع هدف چندگانه، امكان حساس نمودن مدل‌ها به برآورد دقيق‌تر رسوب معلق در جريان‌هاي كم يا زياد را فراهم نموده سبب مي‌شوند، شاخص‌هاي صحت‌سنجي و اريبي مدل‌هاي داده مبنا بهبود يابند.

Introduction and Objective: Accurate estimation of river suspended sediment load (SSL) has an important role in water resources, watershed management and related sciences. Due to the high fluctuations of SSL in different seasons of the year as well as its severely nonlinear and complexity nature, it is necessary to use appropriate methods that can simulate and estimate such phenomena. Material and Methods: In this study, data log transformation and multi-objective particle swarm optimization (MOPSO) algorithm were used for optimal training of neural network models. For this purpose, at first, by using unsupervised neural network (SOM), data of flow discharge and suspended sediment load of the studied hydrometric station (Statistical Period 1995-2016) were clustered. Then, by sampling the clusters, the data set needed to train and test the neural network models were prepared. After it, three scenarios were defined to evaluate the impact of applying logarithmic transformations and MOPSO optimization algorithm In the first scenario, the initial data (without logarithmic transformation) and the common base gradient algorithm in training neural network models (error propagation), in the second scenario, the error propagation algorithm and the logarithmic transforms, and in the third scenario, the logarithmic transforms and the MOPSO algorithm, was used to train neural network models. Results: Evaluation and comparison of the model validation results showed that applying a logarithmic transforms and MOPSO algorithm, by reducing RMSE error and bias percentage (PBIAS) from 49 ton/day and -21%, in the best model of the first scenario, to 30.3 ton/day and - 6.3%, in the best model of scenario III, increased the efficiency of the models. Other results of the study are non-estimation of negative values for suspended sediment, which is one of the common errors in using neural network models in estimating suspended sediment. Conclusion: The use of multiple objective functions makes it possible to sensitize the models to more accurately estimate the suspended sediment at low or high flows, thus improving the validation and skewness indices of the base data models.