ارزيابي كارايي مدل شبكه عصبي مصنوعي در تخمين هوشمند رسوب معلق روزانه در چند ايستگاه هيدرومتري منتخب در استان گلستان

Efficiency of artificial neural network in intelligent estimation of daily suspended sediment in some of the selected gauge stations in Golestan province

تخمين رسوب در رودخانه‌ها به منظور كاهش خسارات سيل، يكي از مسايل مهم پيش روي محققان مي‌باشد. بدين منظور آنها تلاش كرده اند تا مدل هاي هيدرولوژيكي و هيدروليكي را به منظور پيش‌بيني رسوب توسعه دهند. در اين تحقيق مدل شبكه عصبي مصنوعي بر اساس مدل سه لايه پيش‌خور با الگوريتم پس ‌انتشار خطا و تابع انتقال غيرخطي تانژانت اكسون براي پيش‌بيني رسوب معلق در سه ايستگاه هيدرومتري راميان در حوزه قره چاي، تقي آباد در حوزه جعفرآباد و ايستگاه سرمو در حوزه محمدآباد استفاده شد.80 درصد از داده ها براي آموزش مدل و 20 درصد بقيه نيز جهت آزمون آن استفاده شدند. شاخص هاي RMSE، MAE و R2 (ضريب تبيين) براي ارزيابي ميزان دقت مدل شبكه عصبي استفاده شدند. نتايج به دست آمده از محاسبه شاخص هاي آماري نشان دهنده كارآيي مناسب مدل هاي شبكه عصبي مصنوعي در پيش بيني رسوب معلق با ضريب تبيين بيش از 0.99، مجذور مربعات خطاي كم تر از 0.0166 و خطاي مطلق متوسط كم تر از 16.54 بود. ضريب ناش- ساتكليف محاسبه شده بالاي 0.95 براي ايستگاه هاي فوق نيز نشان دهنده دقت بالاي مدل شبكه عصبي در برآورد بار معلق بود

The sediment estimation in rivers in order to mitigate flood damages is one of the important problems for the experts.Thus they have tried to develop hydrological and hydraulic models in order to predict the sediment estimation. In this study, artificial neural network model based on the multi-layer model with back propagation algorithm and non-linear TangAxon function was used for stimulating the suspended sediment in three gauge stations, Ramian in Ghare-Chai, Taghi Abad in Jaffar Abad and Sarmo in the Mohammad Abad River basins. 80 percent of the existing data records used to train the model and also 20 percent of rest of them for testing its. RMSE (Root Mean square Error), MAE and R2 indices were used to estimate the accuracy of the neural network model. The results obtained from calculating statistical indices indicated high accuracy of the artificial neural network models to predict suspended sediment with R2 greater than 0.99, RMSE lower than 0.0166 and MAE was lower than 16.45. Also Nash-Sutcliff coefficient calculated for the stations showed was indicating high accuracy of the model to the prediction of suspended sediment.