بررسی کارایی شبکه عصبی مصنوعی در برآورد بار معلق رودخانه با استفاده از داده های دسته بندی شده

بار رسوب جریان، شاخص مفیدی در پیش بینی فرسایش خاک در حوزه های آبخیز است؛ بنابراین تدوین مدلی برای برآورد بار رسوب می تواند در مدیریت و اجرای پروژه های آبخیزداری و مهندسی رودخانه مفید باشد. در این پژوهش روش دسته بندی داده ها به عنوان راه کاری برای افزایش دقت شبکه عصبی مصنوعی در تدوین مدل برآورد رسوب معلق بررسی شد. بدین منظور، میزان آورد رسوبات معلق رودخانه های خلیفه ترخان و چهل گزی در حوضه قشلاق در استان کردستان در سه حالت با روش شبکه عصبی مصنوعی با ساختار پرسپترون چندلایه برآورد شد. ابتدا داده های اندازه گیری شده، بدون هیچ گونه تفکیکی مدل سازی شدند. سپس داده های رواناب برمبنای وضعیت جریان به زیرمجموعه های پرآب و کم آب و داده های رسوب برمبنای غلظت رسوبات به زیرمجموعه های غلظت کم وزیاد دسته بندی شدند. از داده های مشاهده ای رواناب و رسوب برای واسنجی مدل ها استفاده شد. سپس مقادیر برآورد شده با داده های ثبت شده مقایسه و عملکرد این مدل ها با استفاده از معیارهای آماری مورد ارزیابی قرار گرفت. نتایج بیانگر نقش موثر دسته بندی داده ها در بهبود عملکرد روش شبکه عصبی مصنوعی در برآورد رسوب است. به طوری که دسته بندی برمبنای غلظت رسوبات کارآیی مدل را در ایستگاه های چهل گزی و خلیفه ترخان به ترتیب 6/16 و 5/30 درصد افزایش داد. مقایسه دسته بندی های انجام شده نیز نشان داد که دسته بندی داده ها برمبنای غلظت رسوبات نسبت شدت جریان رودخانه موثرتر است. نتایج این پژوهش می تواند با تخمین دقیق تر میزان رسوبات معلق رودخانه های منتهی به دریاچه سد قشلاق، در بهبود مدیریت حوضه مورداستفاده قرار گیرد.