چکیده:
یکی از جنبه های حایز اهمیت در مدیریت محیط در ژئومورفولوژی کاربردی حل مشکل برآورد رسوب یک سیستم رودخانه ای می باشد. هدف این مطالعه ارزیابی عملکرد مقایسه ای دو نوع شبکه عصبی مصنوعی (مدل ژئومورفولوژیکی و مدل غیرژئومورفولوژیکی) و دو نوع مدل رگرسیونی (مدل توانی و مدل غیرخطی چندگانه) برای پیش بینی بار رسوب معلق حوضه اسکندری در حوضه آبریز زاینده رود می باشد. مدل ها بر اساس آمار 104 حادثه وقوع همزمان ثبت شده دبی و رسوب طراحی شده اند. پارامترهای ژئومورفولوژیکی بکار رفته در مدل های مزبور شامل: نسبت ناهمواری، ضریب شکل و تراکم زهکشی می باشند. شبکه های عصبی مصنوعی طراحی شده از نوع انتشار برگشتی چهار لایه است. بهترین نتایج پیش بینی مربوط به روش شبکه عصبی مصنوعی ژئومورفولوژیکی با ضریب تبیین معنی دار 98/0 و جذر میانگین خطای 49/4 در مقایسه با روش شبکه عصبی مصنوعی طراحی شده بر اساس آمار جریان با مقادیر ضریب تبیین 96/0 و خطای 35/5 می باشد. عملکرد روش های رگرسیونی با ضریب تبیین 893/0 و خطای 66/8 برای روش چند متغیره غیرخطی ومقادیر ضریب تبیین 814/0 و خطای برآورد 05/15 برای روش غیرخطی ساده توانی ضعیف تر از شبکه های عصبی مشاهده گردید. تفاوت فاحش در شاخص های ارزیابی مدل های شبکه عصبی مصنوعی نسبت به روش های رگرسیونی در عملکرد مناسب آنها برای تعداد کم نمونه های مدل می باشد. بنابراین شبکه های عصبی مصنوعی به خصوص شبکه های ژئومورفولوژیکی به عنوان یک ابزار قوی پیش بینی شایسته بار رسوب یک سیستم پیچیده رودخانه ای معرفی می شوند.
خلاصه ماشینی:
"پژوهشهای جغرافیای طبیعی،شماره 17،بهار صص 03-12 تحلیل مقایسه عملکرد شبکههای عصبی مصنوعی و مدلهای رگرسیونی پیشبینی رسوب معلق مطالعه موردی:حوضه آبخیز اسکندری واقع در حوضه آبریز زایندهرود عباسعلی ولی*-دانشجوی دکتری ژئومورفولوژی دانشگاه اصفهان و عضو هیات علمی دانشگاه شیراز مسعود معیری-استادیار ژئومورفولوژی دانشگاه اصفهان محمد حسین رامشت-دانشیار ژئومورفولوژی دانشگاه اصفهان ناصر موحدینیا-استادیار کامپیوتر و هوش مصنوعی دانشگاه اصفهان پذیرش مقاله:7831/01/52 تأیید نهایی:8831/01/11 چکیده یکی از جنبههای حائز اهمیت در مدیریت محیط در ژئومورفولوژی کاربردی حل مشکل برآورد رسوب یک سیستم رودخانهای میباشد.
هدف این مطالعه ارزیابی عملکرد مقایسهای دو نوع شبکه عصبی مصنوعی(مدل ژئومورفولوژیکی و مدل غیر ژئومورفولوژیکی)و دو نوع مدل رگرسیونی(مدل توانایی و مدل غیر خطی چندگانه)برای پیشبینی بار رسوب معلق حوضه اسکندری در حوضه آبریز زایندهرود میباشد.
(به تصویر صفحه مراجعه شود) (1)- Feed forward back propagation (2)- Standardization(Normalization) روش ارزیابی مدلها تمام مدلهای طراحی شده اعم از آماری و شبکههای عصبی مصنوعی با استفاده از دادههای آموزشی تعلیم دیده و سپس به کمک دادههای آزمون،یک بردار رسوب پیشبینی مینمایند.
نتایج تاثیر عوامل سهگانه ضریب ناهمواری،ضریب شکل و تراکم زهکشی حوضه با استفاده از آمار دبی و استنباط ارتباط بین 4 متغیر مستقل فوق الذکر با میزان رسوب توسط روش MARS بررسی شده است.
جدول(3)نتایج مدلهای آماری طراحی شده پیشبینی با رسوب روزانه رودخانه پلاسجان با دادههای آموزش (به تصویر صفحه مراجعه شود) نتایج حاصل از مدلسازی آماری و شبکههای عصبی مصنوعی و عملکرد وهر مدل در جدول(4)ارائه شده است.
جدول(4)نتایج ارزیابی مدلهای مختلف طراحی شده جهت برآورد رسوب معلق جریان حوضه اسکندری (به تصویر صفحه مراجعه شود) نتیجهگیری ارزیابی عملکرد مدلهای مختلف به کمک فاکتورهای RMSE و R2 امکانپذیر میباشد."