پیش بینی بار رسوب رودخانه با شبکه عصبی بیزین و پیش پردازش موجک: حذف نویز و کمی سازی عدم قطعیت

بار رسوبی معلق از مهم ترین عناصر رودخانه ای است که علاوه بر تاثیر بر کیفیت آب، نقش موثری در مدیریت منابع آبی و سازه های احداثی بر روی آن دارد؛ اما به دلیل هزینه و دشواری های اجرایی، پایش پیوسته آن در بسیاری از ایستگاه ها انجام نمی گیرد و این مساله نیاز به ارائه مدل هایی جهت تخمین دقیق آن را ضروری می نماید. با توجه به ماهیت غیرخطی و پیچیده فرایندهای فرسایش-انتقال-رسوب گذاری و همچنین وجود نویز، خطای اندازه گیری و عدم قطعیت در داده ها استفاده از رویکردهای داده محور همراه با قابلیت محاسباتی بالا، کاهش نویز و کمی سازی عدم قطعیت می تواند موثر باشد. در این تحقیق مدل ترکیبی شبکه عصبی بیزین (BNN) که قابلیت محاسباتی ANN و توانایی بیزین در مدلسازی عدم قطعیت ها را یکجا دارد، به عنوان مدل پیش بینی انتخاب شده است. به این مدل داده های ورودی بار رسوب معلق روزانه رودخانه می سی سی پی در دو حالت پیش پردازش شده با موجک جهت رفع نویز و بدون انجام فرایند پیش پردازش وارد می شود. نتایج مدل سازی BNN با داده های خام و داده های نویزگیری شده بر اساس معیارهای ارزیابی RMSE به ترتیب برابر ۰/۰۱۶۸ و ۰/۰۱۶۲ و با معیار نش-ساتکلیف ۰/۸۵ و ۰/۸۹ می باشد. با توجه به این معیارها، می توان گفت دقت مدلسازی سری زمانی رسوب با داده های نویززدایی شده به میزان ۱۴ درصد و ۵ درصد بیشتر از داده های خام می باشد. در مطالعات مشابه دیگری که در آنها مدلسازی با ANN انجام شده است، بهبود دقت نتایج اعمال فرایند پیش پردازش بیشتر گزارش شده و علت آن، احتمالا به ترکیبی بودن مدل به کار رفته در این پژوهش و قابلیت های بیزین در کمی سازی عدم قطعیت ها برمی گردد.

Keywords:

بار رسوب معلق , شبکه عصبی بیزین , موجک , نویززدایی , عدم قطعیت