مقايسه كارايي روش هاي نرو فازي، شبكه عصبي مصنوعي و مدل هاي آماري در تخمين رسوب معلق رودخانه‌ها (مطالعه موردي: بالادست حوضه طالقان)

Comparison of Neuro Fuzzy, Neural Network Artificial and Statistical Methods for Estimating Suspended Load Rivers (Case Study: Taleghan Basin Upstream

برآورد دقيق ميزان رسوب معلق رودخانه‌ها از مسائلي مهم در طراحي مخازن، آلودگي درياچه‌ها، طراحي كانالها و لايروبي آنها بعد از سيلابها، تعيين خسارتهاي ناشي از رسوبگذاري و تعيين تأثيرات مديريت آبخيز است. روشهاي متعددي به‌منظور برآورد بار معلق رودخانه‌ها وجود دارد. يكي از اين روشها، كه در حل مسائل مختلف هيدرولوژي رسوب و پيش‌بيني آن كاربرد زيادي دارد، روشهاي نوروفازي و شبكه‌هاي عصبي مصنوعي است. در اين مطالعه ارتباط رسوب و دبي لحظه‌اي متناظرش به‌طور موفقيت‌آميزي با استفاده از اين روشها مدل‌سازي و مورد اعتبارسنجي قرار گرفت. هدف از اين تحقيق، كارايي روشهاي نوروفازي و شبكه عصبي نسبت به مدلهاي آماري در برآورد رسوب معلق روزانه رودخانه طالقانرود حوزه آبخيز طالقان مي‌باشد. نتايج نشان داد، برآوردهاي ساختارANFIS ، با ميانگين قدرمطلق خطاي نسبي، 1006 تن در روز، ضريب همبستگي 77درصد، ميانگين مربعات خطا 2621 تن در روز و ضريب ناش- ساتكليف 0/51 نسبت به شبكه عصبي و همچنين برآوردهاي شبكه عصبي در مقايسه با مدلهاي آماري از دقت بالاتري برخوردارند. بنابراين روش ادغام شبكه عصبي با قوانين فازي توانسته تغييرات بار رسوبي رودخانه را بر اساس دبي روزانه، بهتر از مدلهاي ديگر برآورد كند. ديگر مزيت اين روش حساس نبودن به وجود تعداد معدودي خطا در داده‌هاي آماري است كه همين امر باعث برآورد بهتر مدل شبكه عصبي در مقايسه با مدل آماري شده است. همچنين با بالا رفتن درصد داده‌هاي آموزش نسبت به داده‌هاي امتحان، روش نروفازي جواب مناسبتري مي‌دهد.

bstract Estimation of fine suspended load rivers is important in designing reserves, transition volume ofsediment, and estimating lake pollution. Thus, some methods are needed for determining damagescaused by sedimentations in environment and determining its effects on the watersheds. There aremany methods for estimating suspended load, one of these methods that solves the problems ofsediment discharge and can predict it is using Neuro fuzzy or ANFIS (Adaptive Network FuzzyInference System), and ANN (Artificial Neural Network) methods. These make a function betweensediment and simultaneous discharge by use of different algorithms. The goal of this research iscomparing the effectiveness of Neuro fuzzy, neural network artificial and statistical methods forestimating suspended load river in Glinak station of Taleghan Basin. It was found out thatsuspended load estimations of Nero fuzzy method with MAE 1006 ton/day, and correlationefficiency (R) 77%, RMSE 2621 ton/day and Nash-Sutcliff error (NS) 0.51 is better than NeuralNetwork Artificial and Statistical methods and Artificial Neural Network method rather thanStatistical Method are more proper. Also, contracting both neural networks artificial to fuzzy lawscan be illustrated better than other methods, variation of sediment Load River. One more merit ofthis method is that it is not sensitive to few errors in early statistical data and this fact enables betterestimation of neural network model in comparison with statistical model. Finally, Neuro fuzzymethod works better as the percent of train data to test data increases.