ارزیابی و مقایسه روش های هوش مصنوعی در پیش بینی غلظت رسوب معلق (مطالعه موردی: رودخانه می سی سی پی )

پیش بینی و برآورد غلظت رسوبات معلق CSS در رودخانه، از عناصر مهم و قابل توجه در منابع و کیفیت آب های جهان، پایداری مهندسی رودخانه ها و زیستگاه های سیاست و مدیریت محیط زیست است. در این تحقیق دو روش آموزش شبکه ی فازی یکپارچه ی Grid Partitioning (ANFIS-SC) و Sub. Clustering (ANFIS-GP) ، شبکه عصبی پرسپترون چندلایه MLP و ماشین بردار پشتیبان SVM برای پیش بینی غلظت رسوب معلق رودخانه بکار گرفته شده است. جهت بررسی این مدل ها و تاثیر آن ها در پیش بینی غلظت رسوب معلق، رودخانه می سی سی پی به عنواننمونه مورد مطالعه انتخاب شده است. این مدل ها با استفاده از داده های میانگین روزانه غلظت رسوب، دبی رسوب و دبی رودخانه مورد تایید قرار گرفته است. در این سیستم از معیارهای ارزیابی ضریب تعیین R2 و خطای RMSE برای ارزیابی مدل استفاده شده است. نتایج بدست آمده نشان داد که مدل ANFIS با R2 = 0/935 و RMSE = 0/0217 به ترتیب نسبت به مدل های MLP و SVM در مجموعه داده های تست عملکرد بهتری دارد و قابلیت اطمینان بالایی با خطای کم دارد و یک مدل مناسب در زمینه های مختلف محیط زیستی خواهد بود.