مدلسازی برآورد میزان رسوب معلق رودخانه پسیخان با استفاده از شبکه عصبی مصنوعی درخت تصمیم

برآورد دقیق میزان رسوبات حمل شده در رودخانه‌ها بر اثر فرسایش عامل مهمی برای مدیریت پروژه های آب شناختی می‌باشد. شبکه عصبی مصنوعی به دلایل عمده از جمله برخورداری از توانایی تشخیص الگو، رابطه خوب بین ورودی و خروجی و نیاز به تعداد داده‌های ورودی کم‌تر در پیش‌بینی میزان رسوب معلق دارای اهمیت فراوانی است. بر این اساس پژوهش حاضر اقدام به مدلسازی برآورد میزان رسوب معلق رودخانه پسیخان با استفاده از شبکه عصبی مصنوعی درخت تصمیم m5 کرده است. میزان رسوب در رودخانه‌ها تابع پارامترهای زیادی از هندسه رودخانه، هیدرولیک جریان و خصوصیات رسوب است. به همین دلیل در این تحقیق سعی شده است ابتدا با بی بعد سازی پارامترهای موثر بر ظرفیت حمل رسوب، تعداد پارامترهای موثر کاهش یابد. نتایج نشان داد که درخت تصمیم ساخته شده اولیه یعنی درخت m5 نیاز به هرس ندارد و دارای کاربرد مناسب می باشد. برای بررسی میزان دقت مدل پیش‌بینی از سه پارامتر ضریب تعیین (r2)، متوسط خطای نسبی (me) و میانگین مجذور مربعات خطا (rmse) استفاده شد. مقادیر بدست آمده برای این سه پارامتر به ترتیب برابر با 0.851، 1037.64 و 941.32 به دست آمد که نشان دهنده مناسب بودن این سه پارامتر است. همچنین مقایسه میزان رسوب معلق بدست آمده از مدل درخت تصمیم با داده‌های اندازه گیری رودخانه پسیخان نشان داد که میزان ضریب تعیین برابر با 0.8953 به دست آمد که یک مقدار بسیار مناسب است. نتایج نشان داد که این مدل در پیش بینی میزان رسوب معلق در رودخانه پسیخان از کارایی موثری برخوردار است.

Modeling Estimation of Suspended Sediment Rate in Pasikhan River Using Decision Tree Artificial Neural Network

Accurate estimation of sediment transport in rivers due to erosion is an important factor for the management of hydrological projects. Artificial neural networks are of great importance for many reasons, such as the ability to detect patterns, the good relationship between input and output, and the need for less input data to predict suspended sedimentation. Accordingly, the present study attempts to model the estimation of suspended sediment content in the Pasikhan River using the artificial neural network of the M5 decision tree. The amount of sediment in rivers is subject to many parameters of river geometry, hydraulic flow and sediment properties. For this reason, in this study, it has been tried to reduce the number of effective parameters by first dimensioning the effective parameters on sediment transport capacity. The results showed that the initial decision tree, the M5 tree, does not require pruning and is suitable for use. Three parameters of determination coefficient (R2), mean relative error (ME) and mean squared error (RMSE) were used to evaluate the accuracy of the prediction model. The obtained values for these three parameters were 0.851, 1037.64 and 941.32, respectively, indicating the suitability of these three parameters. Comparison of suspended sediment yield from decision tree model with Pasikhan River measurement data showed that the coefficient of determination was 0.8953 which is a very good value. The results showed that this model is effective in predicting suspended sediment content in the Pasikhan River.