مدل شبكه عصبي مصنوعي براي تخمين رسوب‌دهي حوزه‌هاي آبخي‍ز

An artificial neural network model for estimation of sediment yield

امروزه رسوب‌دهي حوزه‌هاي آبخيز از جمله مشكلات بهره‌برداري از منابع آب‌هاي سطحي در جهان است. با توجه به نقش و اهميت رسوب در عمر مفيد سدهاي كشور، عدم توجه به اندازه‌گيري و محاسبه دقيق آن، باعث اتلاف سرمايه‌هاي ملي مي‌شود. بديهي است كه دقت تخمين ميزان رسوب‌دهي، بستگي زيادي به روش‌هاي محاسباتي، معادلات ارايه شده و داده‌ها يا اطلاعات تخمين رسوب دارد. چون عوامل مختلفي در فرسايش و توليد رسوب موثر است و بر اساس شرايط هر حوزه ممكن است يك يا چند عامل در تشديد آن موثر باشد.از اين ­رو، براي بررسي مسيله رسوب‌دهي هر حوزه بايد عوامل مختلف موثر در رسوب‌دهي آن منطقه را شناسايي و به‌طور صحيح برآورد كرد و سپس تاثير عوامل مختلف را بر روي رسوب‌دهي مشخص نمود. در اين تحقيق، شبكه‌هاي عصبي مصنوعي به‌‌عنوان روشي جديد براي تخمين رسوب‌دهي حوزه، به‌كار گرفته شده است. شبكه‌اي با ساختار و آموزش مناسب و داده‌هاي كافي، قادر است تاثيرات و ارتباط بين رسوب و ساير متغيرهاي موثر در رسوب‌دهي را بدون استفاده از روابط اختصاصي و معادلات مربوطه فراگيرد. براي تخمين رسوب‌دهي زيرحوزه‌ها، از ساختار MLP استفاده شد. پس از آموزش و آزمايش داده‌ها،بهترين حالت در نظر گرفته شده و سپس با روش رگرسيون‌هاي چندمتغيره مقايسه شد. نتايج نشان‌دهنده بهبود قابل توجهي در محاسبه و تخمين رسوب و كارآيي روش شبكه‌هاي عصبي نسبت به‌روش رگرسيون‌هاي چند متغيره است.

Sediment yield of watersheds is considered as a problem of water resources management and operation. Considering important role of sedimentation, accurate measurement and estimation of it is important for national investment in water resources development. Accuracy of sediment yield estimation depends on the estimation methods. There are different parameters affectingt sediment yield. These parameters should be considered in simulation of sediment yield. An artificial neural network model is used for estimation of sediment yield in this research. The model with proper structure and sufficient data is trained and tested and it can recognize the relation of the parameters and sediment yield. The proper structure is found to be MLP. The result of the model is compared with a regional analysis model and it shows notable increasing of accuracy by the artificial neural network model.