بررسی کارایی شبکه عصبی مصنوعی در برآورد بار معلق رودخانه با استفاده از داده های دسته بندی شده

بار رسوب جریان، شاخص مفیدی در پیش­بینی فرسایش خاک در حوزه­های آبخیز است؛ بنابراین تدوین مدلی برای برآورد بار رسوب می­تواند در مدیریت و اجرای پروژه­های آبخیزداری و مهندسی رودخانه مفید باشد. در این پژوهش روش دسته­بندی داده­ها به­عنوان راه­کاری برای افزایش دقت شبکه عصبی مصنوعی در تدوین مدل برآورد رسوب معلق بررسی شد. بدین منظور، میزان آورد رسوبات معلق رودخانه­های خلیفه­ترخان و چهل­گزی در حوضۀ قشلاق در استان کردستان در سه حالت با روش شبکه عصبی مصنوعی با ساختار پرسپترون چندلایه برآورد شد. ابتدا داده­های اندازه­گیری شده، بدون هیچ­گونه تفکیکی مدل­سازی شدند. سپس داده­های رواناب برمبنای وضعیت جریان به زیرمجموعه­های پرآب و کم­آب و داده های رسوب برمبنای غلظت رسوبات به زیرمجموعه های غلظت کم وزیاد دسته­بندی شدند. از داده­های مشاهده­ای رواناب و رسوب برای واسنجی مدل­ها استفاده شد. سپس مقادیر برآورد شده با داده­های ثبت شده مقایسه و عملکرد این مدل­ها با استفاده از معیارهای آماری مورد ارزیابی قرار گرفت. نتایج بیانگر نقش مؤثر دسته­بندی داده­ها در بهبود عملکرد روش شبکه عصبی مصنوعی در برآورد رسوب است. به طوری که دسته­بندی برمبنای غلظت رسوبات کارآیی مدل را در ایستگاه­های چهل­گزی و خلیفه­ترخان به ترتیب 6/16 و 5/30 درصد افزایش داد. مقایسه دسته­بندی­های انجام شده نیز نشان داد که دسته­بندی داده­ها برمبنای غلظت رسوبات نسبت شدت جریان رودخانه مؤثرتر است. نتایج این پژوهش می­تواند با تخمین دقیق­تر میزان رسوبات معلق رودخانه­های منتهی به دریاچۀ سد قشلاق، در بهبود مدیریت حوضه مورداستفاده قرار گیرد.