پیش بینی بار معلق رودخانه با استفاده از مدل‌های سری زمانی و شبکه عصبی مصنوعی (مطالعه موردی: ایستگاه قزاقلی رودخانه گرگانرود)

برآورد میزان دقیق رسوبات معلق در رودخانه ها از ابعاد مختلف کشاورزی، حفاظت خاک، کشتیرانی، سدسازی، حیات آبزیان و ابعاد تحقیقاتی، دارای اهمیت فراوانی است. روش های مختلفی برای بررسی و برآورد رسوبات معلق رودخانه، موجود می باشد که البته توانایی این روش ها متفاوت است. در تحقیق حاضر به منظور مقایسه و بررسی توانایی مدل های سری زمانی شامل مارکف، arima و شبکه های عصبی در پیش بینی رسوب معلق، از داده های روزانه ایستگاه قزاقلی واقع روی رودخانه گرگانرود استفاده شده است. داده های موجود به صورت متوسط رسوب معلق ماهانه در محیط نرم افزار minitab 16 وneurosolutions 5 به کار گرفته شد و در نهایت پیش بینی رسوب برای 111 ماه انجام گرفت. در مرحله بعد، مقادیر پیش بینی شده توسط مدل های مختلف، با شاخص های اندازه گیری خطا شامل rmseوnmse نشان داد که شبکه های عصبی در مقایسه با مدل های سری زمانی توانایی بهتری در پیش بینی و مدل سازی رسوب ماهانه دارد و نیز در بین مدل های سری زمانی، مدل مارکف در مقایسه با مدل arima دارای توانایی بهتری در برآورد رسوب معلق می باشد.

Suspended Sediment Prediction using Time Series and Artificial Neural Networks Models (Case Study: Ghazaghly Station in Gorganroud River)

Accurate estimation of suspended sediment in rivers is very important from different aspects including agriculture, soil conservation, shipping, dam construction and aquatic research. There are different methods for suspended sediment estimation. In the present study to evaluate the ability of timeseries models including Markov and ARIMA in predicting suspended sediment and to compare their results to Artificial Neural Networks it was tried to use daily suspended data from Ghazaghly station of Gorganroud River, as average monthly values in Minitab 16 software and Neurosolutions 5, and finally suspended sediment was predicted for 111 months. Calculation of the error measurement indices including RMSE and NMSE based on the results of this study showed a good ability of Artificial Neural Network models in estimating average monthly suspended sediment. On the other hand between time series models, Markov model has better ability in estimating monthly suspended sediment in comparison to the ARIMA model.