بررسی کارایی شبکه عصبی مصنوعی در برآورد بار معلق رودخانه با استفاده از داده های دسته‌بندی‌شده

Abstract

بار رسوب جریان، شاخص مفیدی در پیش‌بینی فرسایش خاک در حوزه‌های آبخیز است؛ بنابراین تدوین مدلی برای برآورد بار رسوب می‌تواند در مدیریت و اجرای پروژه‌های آبخیزداری و مهندسی رودخانه مفید باشد. در این پژوهش روش دسته‌بندی داده‌ها به‌عنوان راه‌کاری برای افزایش دقت شبکه عصبی مصنوعی در تدوین مدل برآورد رسوب معلق بررسی شد. بدین منظور، میزان آورد رسوبات معلق رودخانه‌های خلیفه‌ترخان و چهل‌گزی در حوضۀ قشلاق در استان کردستان در سه حالت با روش شبکه عصبی مصنوعی با ساختار پرسپترون چندلایه برآورد شد. ابتدا داده‌های اندازه‌گیری شده، بدون هیچ‌گونه تفکیکی مدل‌سازی شدند. سپس داده‌های رواناب برمبنای وضعیت جریان به زیرمجموعه‌های پرآب و کم‌آب و داده‌های رسوب برمبنای غلظت رسوبات به زیرمجموعه‌های غلظت کم‌وزیاد دسته‌بندی شدند. از داده‌های مشاهده‌ای رواناب و رسوب برای واسنجی مدل‌ها استفاده شد. سپس مقادیر برآورد شده با داده‌های ثبت‌شده مقایسه و عملکرد این مدل‌ها با استفاده از معیارهای آماری مورد ارزیابی قرار گرفت. نتایج بیانگر نقش مؤثر دسته‌بندی داده‌ها در بهبود عملکرد روش شبکه عصبی مصنوعی در برآورد رسوب است. به‌طوری‌که دسته‌بندی برمبنای غلظت رسوبات کارآیی مدل را در ایستگاه‌های چهل‌گزی و خلیفه‌ترخان به ترتیب 6/16 و 5/30 درصد افزایش داد. مقایسه دسته‌بندی‌های انجام‌شده نیز نشان داد که دسته‌بندی داده‌ها برمبنای غلظت رسوبات نسبت شدت‌جریان رودخانه مؤثرتر است. نتایج این پژوهش می‌تواند با تخمین دقیق‌تر میزان رسوبات معلق رودخانه‌های منتهی به دریاچۀ سد قشلاق، در بهبود مدیریت حوضه مورداستفاده قرار گیرد.