بررسی کارایی سیستم استنتاج فازی-عصبی تطبیقی در برآورد بار رسوب معلق رودخانه نازلوچای

رسوب معلق در انتقال آلودگی ها تاثیرگذار بوده و باعث بروز مشکلاتی در کیفیت آب های سطحی می شود. مدلسازی و تخمین میزان رسوب در رودخانه نازلوچای در سه ایستگاه هیدرومتری آباجالوسفلی، تپیک و کریم آباد با به کارگیری مدل های شبکه عصبی چندلایه پرسپترون (mlp)، درخت تصمیم (dt)، k-نزدیک ترین همسایگی (knn) و سامانه استنتاجی فازی-عصبی تطبیقی (anfis) هدف اصلی پژوهش حاضر می باشد. نتایج نشان می دهد که نوع تابع عضویت مثلثی، ذوزنقه ای و گوسین با تعداد توابع عضویت 1، 3 و 2 به ترتیب در ایستگاه های آباجالوسفلی، تپیک و کریم آباد دارای بالاترین عملکرد با ضریب همبستگی 90/0، 94/0 و 84/0 جهت تخمین بار رسوب می باشد. همچنین، نتایج نشان می دهد که در ایستگاه های مورد مطالعه به ترتیب مدل های anfis، mlp، dt و knn دارای بهترین عملکرد جهت تخمین میزان بار رسوب در رودخانه نازلوچای می باشند. به طوریکه مدل anfis دارای کم ترین میزان خطا و بیشترین مقادیر ضریب همبستگی و شاخص کارایی مدل بوده و در مقابل مدل knn دارای بیشترین میزان خطا و کم ترین ضریب همبستگی و شاخص کارایی می باشد. از طرفی نتایج حاکی از آن است که چهار مدل هوشمند به کار گرفته شده عملکرد مناسب نسبت به روش تجربی منحنی سنجه در تخمین میزان رسوب در رودخانه نازلوچای را دارد. بنابراین، با روند رشد سریع جمعیت و به‌تبع آن گسترش مراکز شهری و صنعتی و نیز کاربری کشاورزی در اطراف رودخانه نازلوچای، درصورتی‌که اقدامات جدی صورت نگیرد آلودگی و میزان رسوبات در مسیر رودخانه گسترش‌یافته و سلامت انسان و سایر موجودات را در طول رودخانه تهدید می کند.