مقایسه کارایی روش‏های نروفازی، شبکه عصبی مصنوعی و مدل‏های آماری در تخمین رسوب معلق رودخانه‌ها(مطالعه موردی: بالادست حوضه طالقان)

Abstract

برآورد دقیق میزان رسوب معلق رودخانه‌ها از مسائلی مهم در طراحی مخازن، آلودگی دریاچه‌ها، طراحی کانال‏ها و لایروبی آنها بعد از سیلاب‏ها، تعیین خسارت‏های ناشی از رسوبگذاری و تعیین تأثیرات مدیریت آبخیز است. روش‏های متعددی به‌منظور برآورد بار معلق رودخانه‌ها وجود دارد. یکی از این روش‏ها، که در حل مسائل مختلف هیدرولوژی رسوب و پیش‌بینی آن کاربرد زیادی دارد، روش‏های نوروفازی و شبکه‌های عصبی مصنوعی است. در این مطالعه ارتباط رسوب و دبی لحظه‌ای متناظرش به‌طور موفقیت‌آمیزی با استفاده از این روش‏ها مدل‌سازی و مورد اعتبارسنجی قرار گرفت. هدف از این تحقیق، کارایی روش‏های نوروفازی و شبکه عصبی نسبت به مدل‏های آماری در برآورد رسوب معلق روزانه رودخانه طالقانرود حوزه آبخیز طالقان می‌باشد. نتایج نشان داد، برآوردهای ساختار<em>ANFIS</em> ، با میانگین قدرمطلق خطای نسبی، 1006 تن در روز، ضریب همبستگی 77درصد، میانگین مربعات خطا2621 تن در روز و ضریب ناش- ساتکلیف 51/0 نسبت به شبکه عصبی و همچنین برآوردهای شبکه عصبی در مقایسه با مدل‏های آماری از دقت بالاتری برخوردارند. بنابراین روش ادغام شبکه عصبی با قوانین فازی توانسته تغییرات بار رسوبی رودخانه را بر اساس دبی روزانه، بهتر از مدل‏های دیگر برآورد کند. دیگر مزیت این روش حساس نبودن به وجود تعداد معدودی خطا در داده‌های آماری است که همین امر باعث برآورد بهتر مدل شبکه عصبی در مقایسه با مدل آماری شده است. همچنین با بالا رفتن درصد داده‌های آموزش نسبت به داده‌های امتحان، روش نروفازی جواب مناسبتری می‌دهد.