تحلیل مقایسه عملکرد شبکه‌های عصبی مصنوعی ومدل‌های رگرسیونی پیش‌بینی رسوب معلق مطالعه موردی: حوضه آبخیز اسکندری واقع در حوضه آبریز زاینده رود

Abstract

یکی از جنبه‌های حائز اهمیت در مدیریت محیط در ژئومورفولوژی کاربردی حل مشکل برآورد رسوب یک سیستم رودخانه‌ای می‏باشد. هدف این مطالعه ارزیابی عملکرد مقایسه‌ای دونوع شبکه عصبی مصنوعی (مدل ژئومورفولوژیکی و مدل غیر ژئومورفولوژیکی) و دو نوع مدل رگرسیونی (مدل توانی ومدل غیر خطی چندگانه) برای پیش بینی بار رسوب معلق حوضه اسکندری در حوضه آبریز زاینده رود می‏باشد. مدل‏ها براساس آمار 104 حادثه وقوع همزمان ثبت شده دبی و رسوب طراحی شده‌اند. پارامترهای ژئومورفولوژیکی بکار رفته در مدل‏های مزبور شامل: نسبت ناهمواری، ضریب شکل و تراکم زهکشی می‌باشند. شبکه‏های عصبی مصنوعی طراحی شده از نوع انتشار برگشتی چهار لایه است. بهترین نتایج پیش‌بینی مربوط به روش شبکه عصبی مصنوعی ژئومورفولوژیکی با ضریب تبیین معنی دار 98/0 و جذر میانگین خطای 49/4 در مقایسه با روش شبکه عصبی مصنوعی طراحی شده بر اساس آمار جریان با مقادیر ضریب تبیین 96/0 و خطای35/5 می‏باشد. عملکرد روش‏های رگرسیونی با ضریب تبیین 893/0 و خطای66/8 برای روش چند متغیره غیرخطی ومقادیر ضریب تبیین 814/0 و خطای برآورد 05/15 برای روش غیر خطی ساده توانی ضعیف‌تر از شبکه‏های عصبی مشاهده گردید. تفاوت فاحش در شاخص‏های ارزیابی مدل‏های شبکه عصبی مصنوعی نسبت به روش‏های رگرسیونی در عملکرد مناسب آنها برای تعداد کم نمونه‏های مدل می‏باشد. بنابراین شبکه‏های عصبی مصنوعی به خصوص شبکه‏های ژئومورفولوژیکی به عنوان یک ابزار قوی پیش بینی شایسته بار رسوب یک سیستم پیچیده رودخانه‌ای معرفی می‏شوند.