تحقیقات کاربردی علوم جغرافیایی

تحقیقات کاربردی علوم جغرافیایی

مدل سازی تخمین میزان رسوب رودخانه به کمک روش شبکه عصبی مصنوعی (رودخانه ونایی)

نویسندگان
داریوش ابوالفتحی
عقیل مددی
صیاد اصغری
دانشگاه محقق اردبیلی
10.52547/jgs.22.66.41
چکیده
رسوبات رودخانه ای به دو صورت منتقل میشوند: یا این مواد درون جریان آب غوطه ور هستند و همراه با آب در حرکت می باشند که به آنها مواد رسوبی معلق گفته میشود و میزان مواد رسوبی معلق را که در واحد زمان از یک مقطع رودخانه عبور کند، بار معلق مینامند. منطقه مورد مطالعه در این پژوهش حوضه آبریز رودخانه ونایی است. این منطقه در شهرستان بروجرد، در استان لرستان در غرب ایران واقع شده است، پژوهش حاضرازنوع کاربردی است. بدین صورت که، ابتدا مشخصات زیرحوضه های این رودخانه استخراج شده است این مشخصات شامل مشخصات فیزیکی زیرحوضه ها از جمله مساحت، محیط و طول آبراهه ها و مشخصات مربوط به دبی رودخانه و میزان رسوب آن است. در ادامه با روش های رگرسیون خطی چند متغیره، شبکه عصبی پیش خور چندلایه (MLP) به تخمین بار رسوب پرداخته شد. پس از محاسبه شاخص های RMSE و MAE با توجه به این امر که هرچقدر میزان این شاخص ها کمتر باشد مقدار پیش بینی شده به مقادیر واقعی نزدیکتر است بنابراین باتوجه به شواهد حاصله مدل شبکه عصبی مصنوعی MLP دقت بهتری را نسبت به مدل دیگر در تخمین میزان رسوب منطقه نشان میدهد. از سوی دیگر با توجه به مقدار شاخص R2 که برای دومدل محاسبه شده است دقت تخمین مدل به مقدار90.47 برای مدل MLP محاسبه شده است، مقدار R2 برای این مدل برابر 0.89 است. پس از مدل شبکه عصبی مصنوعی MLP. مدل رگرسیون خطی چند متغیره با مقدار R2 برابر با 0.353 قرار دارد. و این نشان دهنده ی دقت سه برابری مدل MLPنسبت به مدل رگرسیون می باشد مدل رگرسیون خطی نیز به علت این امر که تنها روابط خطی بین متغیر ها را در نظر می‏گیرد بیشترین میزان خطا را دارد.
کلیدواژه‌ها
ونایی
شبکه عصبی
تخمین رسوب
رگرسیون خطی
MLP

عنوان مقاله English

Modeling of River Sediment Estimation Using Artificial Neural Network Method (Case Study: Vanai River)

نویسندگان English

Dariush Abolfathi
Aghil Madadi
Sayyad Asghari
university of Mohaghagh Ardebili
چکیده English

The purpose of this study was to estimate the amount of sediment of Vanai River in Borujerd. In this research, the characteristics of the sub-basins of this river have been extracted first. These specifications include the physical characteristics of the sub-basins, including the area, the environment and length of the waterways, and the characteristics of the river flow, and its sediment content. In the following, multivariate linear regression, multilevel prefabricated neural network (MLP) and radial function-based neural network (RBF) models are used to model sediment estimation. After estimating the model, the mean square error index (RMSE) was used to compare the models and select the best model. Evidence has shown that initially the MLP's neural network model had the best estimate with the lowest error rate (90.44) and then the RBF model (151.44) among the three models. The linear regression model has the highest error rate because only linear relationships between variables are considered.

کلیدواژه‌ها English

Vanaiو
Neural Network
Sediment Estimation
Linear regression
MLP
RBF
Bhattacharya, B., Price, R.K.and Solomatine, D.P., (2005). Data-driven modeling in the context of sediment transport. Physics and Chemistry of the Earth 30, 297–302.
Cigizoglu, H.K.and Kisi, O., (2006). Methods to improve the neural network performance in suspended sediment estimation. Journal of Hydrology. 317:221-238.
Flood, I., & Kartam, N. (1994). Neural Networks in Civil Engineering. I: Principles and Understanding. Journal of Computing in Civil Engineering, 8(2), 131–148.
Gong, B., Im, J., & Mountrakis, G. (2011). An artificial immune network approach to multi-sensor land use/land cover classification. Remote Sensing of Environment, 115(2), 600–614.
Govindaraju, R. S., & Ramachandra, A. (2000). Artificial Neural Networks in Hydrology. Artificial Neural Networks in Hydrology, 36(April), 337.
Lopes, V. L., Ffolliott, P. F., & Baker, M. B. (2001). Impacts of Vegetative Practices on Suspended Sediment from Watersheds of Arizona. Journal of Water Resources Planning and Management, 127(1), 41–47.
Nakato, T. (1990). Tests of Selected Sediment‐Transport Formulas. Journal of Hydraulic Engineering, 116(3), 362–379.
Sarangi, A., A.K. Bhattacharya (2005), Comparison of artificial neural network and regression models for sediment loss prediction from Banha Watershed in India, Agricultural Water Management, 78, 195–208.
Tfwala, S. S., & Wang, Y. M. (2016). Estimating sediment discharge using sediment rating curves and artificial neural networks in the Shiwen River, Taiwan. Water (Switzerland), 8(2).
Ulke, A., G. Tayfur and S. Ozkul. (2009) Predicting suspended sediment loads and missing data for Gediz river, Turkey. Journal of Hydrologic Engineering, 14(9): 954-965
Walling, D. E., & Webb, B. W. (1988). The reliability of rating curve estimates of suspended sediment yield: some further comments. Sediment Budgets (Proceedings of the Porto Alegre Symposium), (174), 337–350.