ارزیابی برآورد رسوب با استفاده از روش‌های منحنی سنجه و شبکه عصبی با تلفیق پارامترهای مورفولوژیکی حوزه (مطالعه موردی حوزه باغ عباس)

از آنجا که توسعه برنامه های مهار آب های سطحی ملزم به دستیابی دقیق رفتارهای جریان و میزان رسوبات آن می باشد لذا کمبود ایستگاه های اندازه گیری رسوب و فقدان آمار کامل رسوب، از جمله دلایل ارزیابی صحیح در شبیه سازی رفتار جریان ها و رسوبات آنهاست. از جمله مواردی که در یک حوزه آبخیز از هم تاثیر می پذیرند خصوصیات مورفولوژیکی حوزه و بار رسوبی جریان های آن می باشد. لذا آگاهی از میزان این ارتباط به منظور مدیریت و ساماندهی جریان در پایین دست حوزه حائز اهمیت می باشد. در تحقیق حاضر با استفاده از شبکه عصبی مصنوعی و روش های رگرسیونی سنجه رسوب براساس داده های 136 واقعه دبی جریان و رسوب متناظر آن و همچنین پارامترهای مورفولوژیکی به پیش بینی بار رسوبی حوزه باغ عباس اقدام گردیده است. بدین منظور در گام نخست برای پیش بینی بار رسوب از دو روش مذکور، فقط از داده های جریان استفاده گردیده و در گام بعدی خصوصیات مورفولوژیکی حوزه از قبیل ضریب شکل و ضریب فشردگی حوزه به مدل ها اضافه شده است. نتایج به دست آمده از این تحقیق نشان می دهد که با به کارگیری شبکه عصبی از نوع پرسپترون چندلایه (mlp) با الگوریتم لونبرگ مارکوارت و تابع تحریک از نوع تانژانت سیگموید با دو لایه مخفی و 4 نرون در هر لایه، می توان با دقت مناسبی میزان دبی بار معلق رسوب را برآورد نمود. همچنین دقت نتایج به دست آمده از روش شبکه عصبی مصنوعی به مراتب از دقت روش منحنی سنجه بالاتر می باشد. در ارزیابی روش های شبکه ngann, gann و رگرسیونیsrc, mars ، به ترتیب میزان ضریب همبستگی 94/0، 93/0، 767/0 و 766/0 و مجذور میانگین مربعات خطا (rmse) به ترتیب 45/0، 49/0، 3/2 و 3/2 و ضریب نش ساتکلیف (ns) به ترتیب 71/0، 58/0، 27/0 و 23/0 محاسبه گردید. بنابراین کاراترین روش از بین مدل های چهارگانه مذکور، شبکه عصبی مصنوعی همراه با داده های مورفولوژیکی حوزه (gann) می باشد. ضمناً براساس یافته های تحقیق اضافه نمودن پارامترهای ژئومورفولوژیکی در روش سنجه رسوب تاثیر چندانی بر روی کارایی این مدل ندارد.

Evaluation of Sediments Using Rating Curve and Artificial Neural Network Methods by Combining Morphological Parameters of Basin (Case Study: Bagh Abbas Basin)

Since the development of surface water control needs accurate access to flow behavior of sediment rates, the lack of sediment measurement stations, the novelty of most stations and the lack of statistics on the deposit make it difficult to properly evaluate and simulate the flow behavior and their sediments. In a watershed, the morphological characteristics and sediment load of flow affect each other. It is, thus, important to know about the extent of this relationship to manage and control the flow in downstream areas. In the present study, using artificial neural networks and sediment rating regression methods based on the data from 136 events and also morphological parameters, we have attempted to predict the sediment load of Bagh Abbas basin. In the first step, we used flow data to predict the sediment load of both methods, and then basin morphological characteristics such as the compactness factor and form factor were added to the models. The results of this study showed that by using neural networks of Multilayer Perceptron (MLP) type with Levenberg ndash Marquardt algorithm and the stimulation function of tangent Sigmoid with two hidden layers and four neurons in each layer, we can predict suspended sediment discharge rate with a sufficient accuracy. Accuracy of the results obtained from the ANN method was higher than the accuracy of rating curve method. In the evaluation of NGANN GANN network methods and SRC MARS regression methods, correlation coefficients were respectively calculated as 0.94, 0.93, 0.767, 0.766, and root mean square errors (RMSE), 0.45, 0.49, 2.3 and 2.3. Nash coefficient (NS) was calculated respectively as 0.71, 0.58, 0.27 and 0.23. Therefore, the most efficient method among the four models is artificial neural network combined with morphological data (GANN). Furthermore, the findings of the study show that adding geomorphological parameters to sediment rating has little effect on the model performance.