مقايسه روش هاي شبكه عصبي بيزين و شبكه عصبي مصنوعي در تخمين رسوبات معلق رودخانه ها (مطالعه موردي: سيمينه رود)

Comparison of Bayesian Neural Networks and Artificial Neural Network to Estimate Suspended Sediments in the RiverS

زمينه و هدف: شبيه سازي و ارزيابي آورد رسوب رودخانه از جمله مسايل مهم در مديريت منابع آب مي باشد. اندازه گيري مقدار رسوب به روش هاي متداول عموماً مستلزم صرف وقت و هزينه زيادي بوده و گاهي از دقت كافي نيز برخوردار نمي باشد. روش بررسي: در اين پژوهش تخمين رسوب رودخانه سيمينه رود واقع در استان آذربايجان غربي، با استفاده از شبكه عصبي بيـزين مورد بررسي قرار گرفته و نتايج آن با روش هاي مرسـوم هوشمند همچـون شبكه عصبـي مصنوعي مقايسه گرديد. پارامتر دبي، دما و ميزان مواد جامد محلول در آب به عنوان ورودي و دبي رسوب به عنوان خروجي مدل در مقياس زماني ماهانه طي دوره آماري (1383-1354) انتخاب گرديد. معيارهاي ضريب همبستگي، ريشه ميانگين مربعات خطا، ضريب نش ساتكليف و ضريب باياس براي ارزيابي و نيز مقايسه عملكرد روش ها مورد استفاده قرار گرفت. يافته ها: نتايج حاصله نشان داد ساختار تركيبي توانسته با استفاده از سه روش هوشمند مورد بررسي، در تخمين ميـزان رسوب نتايج قابل قبولي ارايه نمايد. ليكن از لحاظ دقت، مدل شبكه عصبي بيزين با بيش ترين ضريب همبستگي (0/832)، كم ترين ريشه ميانگين مربعات خطا (0/071ton/day) و نيز معيار نش ساتكليف(0/692) و مقدار باياس(0/0001) در مرحله صحت سنجي در اولويت قرار گرفت. بحث و نتيجه گيري:در مجموع نتايج نشان داد كه مدل شبكه عصبي بيزين توانايي بالايي در تخمين مقادير كمينه و بيشينه از خود نشان داده است.

Background and Purpose: Simulation and evaluation of sediment are important issues in water resources management. Common methods for measuring sediment concentration are generally time consuming and costly and sometimes does not have enough accuracy. Materials and Methods: In this research, we have tried to evaluate sediment amounts, using bayesian neural network for Simineh-Rood, West Azerbaijan, Iran, and compare it with common artificial neural networks. Monthly river discharge, temperature and total dissolved solids for time period (1354-1383) was used as input and sediment discharge for output. Criteria of correlation coefficient, root mean square error and Nash Sutcliff bias coefficient were used to evaluate and compare the performance of models. Results: The results showed that three models smart estimate sediment discharge with acceptable accuracy, but in terms of accuracy, the bayesian neural network model had the highest correlation coefficient (0.832), minimum root mean square error (0.071ton/day) and the Nash Sutcliff (0.692) and the bias (0.0001) and hence was chosen the prior in the verification stage. Discussion and conclusions: Finally, the results showed that the bayesian neural network has great capability in estimating minimum and maximum sediment discharge values.