مقایسه کارایی روش های نروفازی، شبکه عصبی مصنوعی و مدل های آماری در تخمین رسوب معلق رودخانه ها (مطالعه موردی: بالادست حوضه طالقان)

برآورد دقیق میزان رسوب معلق رودخانه ها از مسائلی مهم در طراحی مخازن، آلودگی دریاچه ها، طراحی کانال ها و لایروبی آنها بعد از سیلاب ها، تعیین خسارت های ناشی از رسوبگذاری و تعیین تاثیرات مدیریت آبخیز است. روش های متعددی به منظور برآورد بار معلق رودخانه ها وجود دارد. یکی از این روش ها، که در حل مسائل مختلف هیدرولوژی رسوب و پیش بینی آن کاربرد زیادی دارد، روش های نوروفازی و شبکه های عصبی مصنوعی است. در این مطالعه ارتباط رسوب و دبی لحظه ای متناظرش به طور موفقیت آمیزی با استفاده از این روش ها مدل سازی و مورد اعتبارسنجی قرار گرفت. هدف از این تحقیق، کارایی روش های نوروفازی و شبکه عصبی نسبت به مدل های آماری در برآورد رسوب معلق روزانه رودخانه طالقانرود حوزه آبخیز طالقان می باشد. نتایج نشان داد، برآوردهای ساختارANFIS ، با میانگین قدرمطلق خطای نسبی، 1006 تن در روز، ضریب همبستگی 77درصد، میانگین مربعات خطا2621 تن در روز و ضریب ناش- ساتکلیف 51/0 نسبت به شبکه عصبی و همچنین برآوردهای شبکه عصبی در مقایسه با مدل های آماری از دقت بالاتری برخوردارند. بنابراین روش ادغام شبکه عصبی با قوانین فازی توانسته تغییرات بار رسوبی رودخانه را بر اساس دبی روزانه، بهتر از مدل های دیگر برآورد کند. دیگر مزیت این روش حساس نبودن به وجود تعداد معدودی خطا در داده های آماری است که همین امر باعث برآورد بهتر مدل شبکه عصبی در مقایسه با مدل آماری شده است. همچنین با بالا رفتن درصد داده های آموزش نسبت به داده های امتحان، روش نروفازی جواب مناسبتری می دهد.