مقایسه میزان کارایی شبکه عصبی مصنوعی و مدل های رگرسیونی، منحنی سنجه رسوب در برآورد رسوب معلق روزانه

تعیین میزان فرسایش خاک و بار رسوبی رودخانه عملا کاری مشکل است؛ بنابراین روش های مختلفی برای آن ها پیشنهاد شده است. یکی از روش های نوین در حل مسائل مهندسی آب و همچنین برآورد رسوب معلق رودخانه ها، استفاده از شبکه عصبی مصنوعی است که با الگو برداری از شبکه مغز انسان، ضمن اجرای فرآیند آموزش، روابط درونی بین داده ها را کشف کرده و به موقعیت های دیگر تعمیم می دهد. هدف از انجام این تحقیق، بررسی کارآیی روش شبکه عصبی مصنوعی در برآورد رسوب معلق روزانه نسبت به مدل های رگرسیونی (منحنی سنجه رسوب) است. بدین منظور، ابتدا آمار هم زمان دبی آب و دبی رسوب رودخانه شور خارستان در خروجی حوزه آبخیز، در طی یک دوره آماری 22 ساله جمع آوری گردید و پس از رفع نواقص آماری و حذف داده های پرت، از آن ها برای مدل سازی رسوب معلق روزانه با استفاده از روش شبکه عصبی و مدل رگرسیونی خطی استفاده شد. سپس نتایج به دست آمده از دو روش شبکه عصبی و مدل رگرسیون خطی (منحنی سنجه رسوب)، بر اساس معیارهای MAE، RMSE و R2 ارزیابی شد. نتایج نشان داد که برآورد روش شبکه عصبی مصنوعی، در مقایسه با برآورد مدل رگرسیون خطی (منحنی سنجه رسوب)، دقت بالاتری دارد؛ به طوری که مقدار MAE، RMSE و R2 برآورد شبکه عصبی به ترتیب، برابر با 19/27، 12/14 و 0/98 و برای مدل رگرسیون خطی، به ترتیب برابر با 36/84، 20/75 و 0/74 است که نشان دهنده پایین بودن خطا در مدل شبکه عصبی مصنوعی نسبت به مدل رگرسیون خطی است.