مقایسه مدل‌های شبکه عصبی مصنوعی و منحنی سنجه رسوب در شبیه‌سازی میزان رسوب معلق؛ مطالعه موردی حوزه آبخیز شاهرود

نوع مقاله: مقاله پژوهشی

نویسنده

پژوهشگاه علوم و تکنولوژی پیشرفته و علوم محیطی، دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته، کرمان

چکیده

این پژوهش با هدف مقایسه کارآیی برخی مدل‌های شبیه­سازی میزان رسوب معلق شامل منحنی سنجه رسوب و شبکه عصبی مصنوعی و ارائه مدل بهینه بر اساس دبی جریان در حوزه آبخیز شاهرود و بر روی ایستگاه­های هیدرومتری گلینک، باغکلایه، لوشان و رجائی دشت انجام شد. به منظور شبیه­سازی میزان رسوب معلق از مدل منحنی سنجه رسوب یک خطی و مدل­های شبکه عصبی پرسپترون چند لایه و تابع پایه شعاعی بهره گرفته و سپس ارزیابی این مدل­ها با استفاده از ضریب NASH و RMSE انجام شد. نتایج حاصل از این پژوهش حاکی از آن است که در کلیه ایستگاه­های هیدرومتری مورد بررسی، مدل شبکه عصبی مصنوعی در مقایسه با مدل منحنی سنجه رسوب نتایج بهتری ارائه کرد. به طوری که مدل شبکه عصبی مصنوعی پرسپترون چند لایه با تابع تحریک سیگموئید در ایستگاه‌های گلینک  و رجایی­دشت به ترتیب با RMSE، 033/1 و 825/0 تن در روز و ضریب NASH، 84/0و 839/0 و این مدل با تابع تحریک تانژانت سیگموئید در ایستگاه­های باغکلایه و لوشان به ترتیب با RMSE، 799/0 و 883/0 تن در روز و ضریب NASH، 772/0 و 895/0 کارآیی بهتری در شبیه­سازی میزان رسوب معلق دارد. همچنین مقایسه نتایج حاصل از دو مدل شبکه عصبی مصنوعی نشان داد که شبکه­های MLPدر مقایسه با شبکه­های RBF از دقت بیشتری در شبیه سازی میزان رسوب معلق برخوردارند و تنها مزیت شبکه­های RBF زمان کمتر مورد نیاز برای آموزش است.

کلیدواژه‌ها


عنوان مقاله [English]

Comparison on artificial neural network and sediment rating curve models for simulating of suspended sediment load;case study Shahrood watershed

نویسنده [English]

  • Sedigheh Mohamadi
Department of Ecology, Institute of Science and High Technology and Environmental Sciences, Graduate University of Advanced Technology, Kerman, Iran
چکیده [English]

This research was conducted to compare the efficiency of some simulation  models including sediment rating curves and artificial neural networks  for  simulating the  suspended sediment load amount. Optimized model basis of flow discharge in Shahrood watershed upon the  hydrometric stations including Glinak, Baghkalaye, Loshan and Rajayi dasht was represented. In order to simulate the suspended sediment load we compared  one linear rating curve and artificial neural network with multi-layer perceptron and radial base function models. Then performance evaluation these models was carried out by NASH and RMSE criteria..The results showed that artificial neural network  with multi-layer perceptron method  in comparison on  sediment rating curve model in all of these stations simulated  better models . So that artificial neural network with sigmoid triggering function in Glinak and Rajayi dasht stations with RMSE as 1.033 and 0.825 ton/day and NASH as 0.84 and 0.839 and this model with tansigmoid triggering function in Baghkalaye and Loshan stations with RMSE as 0.799 and 0.883 ton/day and NASH as 0.772 and 0.895, respectively, have the better efficiency for simulating of suspended sediment load amount. Also comparison of two neural network models showed that MLP model is better than RBF model for simulating of suspended sediment load amount. The only benefit of RBF networks is less time needed for training.
 

کلیدواژه‌ها [English]

  • Key words: Multi-Layer Perceptron
  • Radial Base Function
  • Shahrood
  • NASH coefficient
  • Sediment rating curve

منابع

آوریده، ف.، م. بنی حبیب و ا. ط. شمسی.1380. کاربرد شبکه های عصبی مصنوعی جهت تخمین دبی رسوب رودخانه ها. سومین کنفرانس هیدرولیک ایران، دانشگاه تهران.

ابراهیمی محمدی، ش.، س. ح . ر. صادقی و ک. چپی.1391.  تحلیل آورد رواناب، رسوب معلق و مواد مغذی ورودی های مختلف به دریاچه زریوار در پایه زمانی رگبار و آب پایه. حفاظت منابع آب و خاک ،سال دوم، شماره 1، ص75-61.

امجدی، ن. 1381. آشنایی با سیستم‌های هوشمند،  انتشارات دانشگاه سمنان، ۳۰۰ ص.

دستورانی، م. ت.،  خ.  عظیمی فشی، ع. طالبی، و م. ر. اختصاصی.1391.  برآورد رسوبات معلق با استفاده از شبکه عصبی مصنوعی (مطالعه موردی: حوزه آبخیز جامیشان استان کرمانشاه). پژوهشنامه مدیریت حوزه آبخیز، سال سوم، شماره 6، ص 61-74.

دهقانی، ا.، م. ا.، زنگانه، ا. مساعدی، و ن. کوهستانی. 1388. مقایسه تخمین بار معلق به دو روش منحنی سنجه رسوب و شبکه عصبی مصنوعی. مجله علوم کشاورزی و منابع طبیعی گرگان، شماره 16، ص 266-276. 

سلاجقه، ع .، ا. فتح آبادی. 1388. بررسی امکان برآورد بار معلق رودخانه کرج با بهره گیری از منطق فازی و شبکه عصبی. نشریه مرتع و آبخیزداری، مجله منابع طبیعی ایران، دوره  62 ، شماره 2، ص282-271.

شاهرخی، س. ح.، ج.، ظهیری، 1. جعفری، 1395. کاربرد الگوریتم درختی M5 در برآورد رسوب معلق رودخانه­ها. فصلنامه علمی پژوهشی مهندسی آبیاری و آب، سال ششم، شماره 24، ص 16-28.

صدر موسوی، م. س. و ا. رحیمی. 1389. مقایسه نتایج شبکه های عصبی پرسپترون چند لایه با رگرسیون چندگانه در پیش بینی غلظت ازن در شهر تبریز. پژوهشهای جغرافیای طبیعی، شماره 71، ص 72-65.

عرب خدری. م. 1388. برآورد رسوبدهی و تهیه نقشه تولید رسوب برای ایران. طرح تحقیقاتی پژوهشکده حفاظت خاک و آبخیزداری (کد طرح 74051031700009)، 155 ص.

فلامکی، ا.، اسکندری، م.، بغلانی، ع. ا. و س. ا. احمدی.1392. مدل سازی بار رسوب کل رودخانه‌ها با استفاده از شبکه های عصبی مصنوعی. نشریه حفاظت منابع آب و خاک، سال دوم، شماره 3، ص 25-13.

معیری، م. م.، م. ر.، نیک پور، ع. حسین زاده دلیر، و د. فرسادی زاده. 1389. مقایسه روش های شبکه های عصبی مصنوعی، فازی- عصبی تطبیقی و منحنی سنجه رسوب در برآورد رسوبات معلق رودخانه ها (مطالعه موردی: رودخانه آجی‌چای). دانش آب و خاک (دانش کشاورزی)،  دوره 1/20، شماره 2، ص 83-71.

ملکی نژاد، ح. و ر. پورشرعیاتی. 1392. کاربرد و مقایسه مدل سری زمانی تجمعی و مدل شبکه عصبی مصنوعی در پیش بینی تغییرات سطح آب زیرزمینی. علوم و مهندسی آبیاری (مجله علمی کشاورزی)، جلد 36، شماره 3، ص 92-81.

منهاج، م.ب. 1393. مبانی شبکه های عصبی (هوش محاسباتی)، انتشارات دانشگاه صنعتی امیرکبیر (پلی تکنیک تهران)، تهران، چاپ پنجم، 716 ص.

ولی، ع.، . ح.، رامشت، مع. سیف، و ر. قضاوی.1390. مقایسه کارآیی مدل های شبکه های عصبی مصنوعی و رگرسیون برای پیش بینی بار رسوب جریان مطالعه موردی حوضه آبخیز سمندگان. مجله جغرافیا و برنامه ریزی محیطی، دوره بیست و دوم،  شماره 4، ص 34-19.

یوسفی، م. و ر. پورشرعیاتی. 1393. برآورد رسوب معلق با استفاده از شبکه عصبی و ارزیابی توابع آموزشی (مطالعه موردی: استان لرستان). پژوهشنامه مدیریت حوزه آبخیز، سال پنجم، شماره 1، ص 97-85.

یوسفی، م. و ف. برزگری. 1394. تعیین مناسب ترین روش منحنی سنجه و مقایسه آن با شبکه عصبی مصنوعی به منظور برآورد رسوبات معلق (مطالعه موردی استان لرستان). مرتع و آبخیزداری، دوره 68، شماره 2، ص 413- 426.

Ahmat Nor, N. I. B. 2005. Rainfall-runoff Modelling using Artificial Neural Networks Method. PhD. Thesis, College of Civil Eng, Malaysia Technology University, Johor, Malaysia.

Beale, R. and T. Jackson. 1990. Neural Computing: An Introduction. Department of Computer S cience , University of York . IOP Publishing Ltd. .223p.

Bissonnais, Y. L., C. Monitor, M. Jamagne, J. Daroussin and D. King. 2001. Mapping erosion risk for cultivated soil in France. Catena, 46: 207-220.

Chelani, A.B., R.C.V. Chalapati, K.M. Phadke and M.Z. Hasan. 2002. Prediction of sulphur dioxide concentration using artificial neural networks. Environmental Modelling & Software, 17: 161–168.

Cigizoglu, H. K. and O. Kisi. 2007. Methods to improve the neural network performance in suspended sediment estimation. Journal of Hydrology, 317: 221-238.

Cigizoglu, H.K. and M. Alp. 2006. Generalized regression neural network in modeling river sediment yield . J. Advance in Engineering software, 37: 63-68.

Demuth, H., M. Beal and M. Hagan. 1992-2009, Neural Network Toolbox 6 (Users Guide). The Math Works.

Heng, S. and T. Suetsugi. 2013. Using artificial neural network to estimate sediment load in ungauged catchments, Cambodia. Journal of Water Resource and Protection, 5: 111-123.

Jansson, M.B. 1996. Estimating a sediment rating curve of the Reventazón river at Palomo using logged mean loads within discharge classes. Journal of Hydrology, 183 (3-4): 227-241.

Kisi, O. and J. Shiri.  2012. River suspended sediment estimation by climatic variables implication: comparative study among soft computing techniques. Computers & Geosciences, 43: 73-82.

Kumar, D., A. Pandey, N. Sharm and F. Wolfgang-Albert. 2016. Daily suspended sediment simulation using machine learning approach. Catena, 138: 77-90.

Lee, S., J. H. Ryu, M. J. Lee and J. S. Won. 2006. The application of artificial neural networks to landslide susceptibility mapping at Janghung, Korea. Mathematical Geol, 38(2): 199-220.

Martinez, J. A., M. Cancepcion and M. Ribes-Dasi. 2005. On site effects of concentrated flow erosion in vineyard fields. Some economic implications, Cotena, 60:129-146.

Mustafa, M. R., M. H. Isa and R. B. Rezaur. 2011. A Comparison of Artificial Neural Networks for Prediction of Suspended Sediment Discharge in River, A Case Study in Malaysia. World  Academy of Sci., Eng. And Technol.(WASET), 81: 372-376.

Principe, J. C. 2000, Artificial neural networks. CRC Press LLC. University of Florida, ch. 20.

Ramos, M. C. and J. A. Martinez-Casasnovas. 2006. Erosion  rates and nutrient losses affected by computed cattle manure application in vineyard soil of NE Spain. catena, 68: 177-185.

Rezapour, O. M., L. T. Shui  and D. B. Ahmad. 2010. Review of artificial neural network model for suspended sediment estimation. Australian Journal of Basic and Applied Sciences, 4 (8): 3347-3353.

Safari, M-J., H. Aksoy and M. Mohammadi. 2016. Artificial neural network and regression models for flow velocity at sediment incipient deposition. Journal of Hydrology, In Press, doi: http://dx.doi.org/10.1016/ j.jhydrol.2016.08.045

Sepahvand, A., N. Hezarkhani, M. Taei Semiromi and S.H. Asgari. 2013. Comprising the empirical equations of runoff- sediment resulted from sediment rating curves and artificial neural network (Case study: Ghadarkhosh watershed, Ilam province). Scientific - Research Quarterly On Environmental Erosion Researches, 7: 52-69.

Solaimani, K. 2009. Rainfall-runoff prediction based on artificial neural network. Am. – Eur. J. Agric. and Environ. Sci, 5(6): 856-865.

Sudheer, K. P. and Jain, S. K. 2003. Radial basis function neural network for modeling rating curves. J Hydrol Engin ASCE 8 (3): 161-164.

Vafakhah, M. 2012. Comparison of cokriging and adaptive neuro-fuzzy inference system models for suspended sediment load forecasting. Arab. J. Geosci. 2: 201-211.

Vakil-Baghmisheh, M. T. 2002. Fari character recognition using artificial neural netwoks, Ph.D. Thesis, Faculty of Electrical Engineering, University of Ljubljana, Slovenia. 185pp.

Yang, C. T., R. Marsooli and M. T. Aalami. 2009. Evaluation of total load sediment transport formulas using ANN. Intl. J. Sediment Res, 24(3): 274-286.