عادله علیجانپور شلمانی؛ علیرضا واعظی؛ محمودرضا طباطبایی
چکیده
تحلیل دادههای بار رسوب معلق در رودخانهها اساس شناخت روند فرسایش و رسوب در بحث مدیریت و برنامهریزی منابع آب و خاک است. بهدلیل عدم دسترسی به دادههای بار رسوب معلق روزانه با اندازهگیری مستقیم، استفاده از روشهایی برای مدلسازی و برآورد آن در حوزههای آبخیز حائز اهمیت است. یکی از روشهای مناسب مورد ...
بیشتر
تحلیل دادههای بار رسوب معلق در رودخانهها اساس شناخت روند فرسایش و رسوب در بحث مدیریت و برنامهریزی منابع آب و خاک است. بهدلیل عدم دسترسی به دادههای بار رسوب معلق روزانه با اندازهگیری مستقیم، استفاده از روشهایی برای مدلسازی و برآورد آن در حوزههای آبخیز حائز اهمیت است. یکی از روشهای مناسب مورد استفاده در این زمینه، بهکارگیری شبکههای عصبی مصنوعی است. برای مدلسازی بار رسوب معلق روزانه، ایستگاه هیدرومتری سیرا در حوزه آبخیز رودخانه کرج مورد مطالعه قرار گرفت. تعداد داده مورد استفاده در این پژوهش، 624 داده با طول دوره آماری 31 سال (از سال 1360 تا1390) است. متغیرهای ورودی به مدلهای شبکه عصبی مصنوعی شامل دبی لحظهای، متوسط دبی روزانه، متوسط دبی روزانه با تاخیر سه روزه، متوسط بارش روزانه و متوسط بارش روزانه با تاخیر سه روزه و متغیر خروجی به مدلها بار رسوب معلق روزانه است. برای تعیین متغیرهای بهینه و بهترین ترکیب متغیرها برای ورود به مدل از آزمون گاما و الگوریتم ژنتیک استفاده شد. سپس، این ترکیبها بههمراه برخی از ترکیب متغیرهای حاصل از آزمون و خطا، وارد مدلهای شبکههای عصبی مصنوعی شد. از شبکه عصبی نگاشت خودسازمانده برای خوشهبندی دادهها استفاده و دادهها به سه گروه همگن، شامل 70 درصد برای آموزش، 15 درصد برای اعتبارسنجی و 15 درصدی برای آزمون جدا شد. در ادامه، ترکیب متغیرها وارد مدلهای شبکه عصبی با توابع فعالسازی لوگ سیگموئید و تانژانت سیگموئید شد. نتایج نشان داد، در بین تمام ترکیبهای ورودی به مدلهای شبکه عصبی، مدل با تابع فعالسازی تانژانت سیگموئید با ترکیب متغیرهای ورودی شامل دبی لحظهای (Q)، دبی متوسط روزانه (Qi)، دبی متوسط روزانه دو روز قبل (Qi-2)، دبی متوسط روزانه سه روز قبل (Qi-3)، بارندگی متوسط روزانه (Pi)، بارندگی متوسط روزانه دو روز قبل (Pi-2) و بارندگی متوسط روزانه سه روز قبل (Pi-3) مدل مناسب برای برآورد بار رسوب معلق روزانه شد. این مدل کمترین مقدار خطا، بالاترین کارایی مدل و کمترین انحراف استاندارد عمومی را در مقایسه با سایر مدلها دارد. این مدل، بهترین ترکیب با تاثیرگذارترین متغیرهای ورودی بهدست آمده از آزمون گاما و الگوریتم ژنتیک برای برآورد SSL است.