برآورد غلظت رسوب رودخانه گرگانرود با روش‌های هوش‌مصنوعی

در سال های اخیر، هوش مصنوعی به‌طور گسترده و موفقیت‌آمیز در علوم مختلف استفاده شده است. در این پژوهش، کارایی روش های نروفازی، ماشین بردار پشتیبان و کمینه مربعات ماشین بردار پشتیبان به‌منظور تخمین غلظت رسوب در خروجی چهار حوضه آبخیز جنگلده، نوده، ارازکوسه و قزاقلی واقع در رودخانه گرگانرود در استان گلستان بررسی شد. برای اجرای مدل‌ها از پنج ترکیب ورودی مختلف با تعداد متفاوت تاخیر جریان و بارش از صفر تا دو روز استفاده شد.  نتایج نشان داد مدل کمینه مربعات ماشین بردار پشتیبان با روش جستجوی ساده شبیه سازی بهتری نسبت به روش جستجوی شبکه ای انجام می دهد. ارزیابی شاخص‌های آماری محاسبه شده نشان داد بهترین مدل‌ شبیه‌ساز غلظت رسوب برای هر چهار حوضه‌ مورد مطالعه مدل نروفازی است که مقدار خطای mef در ایستگاه‌ جنگلده، نوده، ارازکوسه و قزاقلی به‌ترتیب برابر 5.3، 13.4، 4.8 و 2.8 درصد می باشد. به‌طور کلی در تمام ایستگاه ها به‌جز ایستگاه قزاقلی معرفی دبی جریان دو روز قبل به‌عنوان ورودی مدل باعث افزایش خطای پیش بینی می شود. علاوه بر آن بارندگی همان روز و روز قبل نیز فقط در ایستگاه ارازکوسه باعث افزایش دقت شده است.

Estimation of Suspended Sediment Concentration in Gorganrood River Using Artificial Intelligence Methods

Over the last years, artificial intelligence models have been widely and successfully applied in many fields. In the present study, the efficiency of adaptive neurofuzzy inference system (ANFIS), SVM (Support Vector Machine) and Least Squares Support Vector Machines (LSSVM) have been investigated to estimate the sediment concentration in four gauging stations, namely Jangaldeh, Nodeh, Arazkoosh, and Gazaghly along the Gorganrood River in Golestan province, Iran. The models were defined based on the five different combinations of the river flow and precipitation using time lags from 0 to 2 previous days. The results showed that the LSSVM model with simplex search procedure had a better performance than the grid search method. Meanwhile, the results obtained from ANFIS model which estimated sediment concentration in Jangaldeh, Nodeh, Arazkoose and Ghazaghli stations with MEF Error of 5.3, 13.4, 4.8 and 2.8 percent, respectively, suggested a higher performance than other models. Overall, at all stations except Gazaghly, considering the antecedent flow with twoday time lag as the input data of the model increased the error magnitudes. Furthermore, the rainfall of the same day and oneday time lag could only enhance the efficiency of the model at Arazkooseh station.