ارزیابی برآورد رسوب با استفاده از روش های منحنی سنجه و شبکه عصبی با تلفیق پارامترهای مورفولوژیکی حوزه (مطالعه موردی حوزه باغ عباس)

از آنجا که توسعه برنامه های مهار آب های سطحی ملزم به دستیابی دقیق رفتارهای جریان و میزان رسوبات آن می باشد لذا کمبود ایستگاه های اندازه گیری رسوب و فقدان آمار کامل رسوب، از جمله دلایل ارزیابی صحیح در شبیه سازی رفتار جریان ها و رسوبات آنهاست. از جمله مواردی که در یک حوزه آبخیز از هم تاثیر می پذیرند خصوصیات مورفولوژیکی حوزه و بار رسوبی جریان های آن می باشد. لذا آگاهی از میزان این ارتباط به منظور مدیریت و ساماندهی جریان در پایین دست حوزه حائز اهمیت می باشد. در تحقیق حاضر با استفاده از شبکه عصبی مصنوعی و روش های رگرسیونی سنجه رسوب براساس داده های ۱۳۶ واقعه دبی جریان و رسوب متناظر آن و همچنین پارامترهای مورفولوژیکی به پیش بینی بار رسوبی حوزه باغ عباس اقدام گردیده است. بدین منظور در گام نخست برای پیش بینی بار رسوب از دو روش مذکور، فقط از داده های جریان استفاده گردیده و در گام بعدی خصوصیات مورفولوژیکی حوزه از قبیل ضریب شکل و ضریب فشردگی حوزه به مدل ها اضافه شده است. نتایج به دست آمده از این تحقیق نشان می دهد که با به کارگیری شبکه عصبی از نوع پرسپترون چندلایه (MLP) با الگوریتم لونبرگ- مارکوارت و تابع تحریک از نوع تانژانت سیگموید با دو لایه مخفی و ۴ نرون در هر لایه، می توان با دقت مناسبی میزان دبی بار معلق رسوب را برآورد نمود. همچنین دقت نتایج به دست آمده از روش شبکه عصبی مصنوعی به مراتب از دقت روش منحنی سنجه بالاتر می باشد. در ارزیابی روش های شبکه NGANN, GANN و رگرسیونیSRC, MARS ، به ترتیب میزان ضریب همبستگی ۹۴/۰، ۹۳/۰، ۷۶۷/۰ و ۷۶۶/۰ و مجذور میانگین مربعات خطا (RMSE) به ترتیب ۴۵/۰، ۴۹/۰، ۳/۲ و ۳/۲ و ضریب نش- ساتکلیف (NS) به ترتیب ۷۱/۰، ۵۸/۰، ۲۷/۰ و ۲۳/۰ محاسبه گردید. بنابراین کاراترین روش از بین مدل های چهارگانه مذکور، شبکه عصبی مصنوعی همراه با داده های مورفولوژیکی حوزه (GANN) می باشد. ضمنا براساس یافته های تحقیق اضافه نمودن پارامترهای ژئومورفولوژیکی در روش سنجه رسوب تاثیر چندانی بر روی کارایی این مدل ندارد.

Keywords:

Artificial Neural Network (ANN) , sediment rating curve method , MARS method , Bagh Abbas basin. , شبکه عصبی مصنوعی (ANN) , منحنی سنجه رسوب , روش مارس (MARS) , حوزه باغ عباس