ترکیب های بهینه متغیرهای هیدرولوژی برای مدل سازی بار رسوب معلق روزانه در حوزه آبخیز کرج

تحلیل داده های بار رسوب معلق در رودخانه ها اساس شناخت روند فرسایش و رسوب در بحث مدیریت و برنامه ریزی منابع آب و خاک است. به دلیل عدم دسترسی به داده های بار رسوب معلق روزانه با اندازه گیری مستقیم، استفاده از روش هایی برای مدل سازی و برآورد آن در حوزه های آبخیز حائز اهمیت است. یکی از روش های مناسب مورد استفاده در این زمینه، به کارگیری شبکه های عصبی مصنوعی است. برای مدل سازی بار رسوب معلق روزانه، ایستگاه هیدرومتری سیرا در حوزه آبخیز رودخانه کرج مورد مطالعه قرار گرفت. تعداد داده مورد استفاده در این پژوهش، 624 داده با طول دوره آماری 31 سال (از سال 1360 تا1390) است. متغیرهای ورودی به مدل های شبکه عصبی مصنوعی شامل دبی لحظه ای، متوسط دبی روزانه، متوسط دبی روزانه با تاخیر سه روزه، متوسط بارش روزانه و متوسط بارش روزانه با تاخیر سه روزه و متغیر خروجی به مدل ها بار رسوب معلق روزانه است. برای تعیین متغیرهای بهینه و بهترین ترکیب متغیرها برای ورود به مدل از آزمون گاما و الگوریتم ژنتیک استفاده شد. سپس، این ترکیب ها به همراه برخی از ترکیب متغیرهای حاصل از آزمون و خطا، وارد مدل های شبکه های عصبی مصنوعی شد. از شبکه عصبی نگاشت خودسازمان ده برای خوشه بندی داده ها استفاده و داده ها به سه گروه همگن، شامل 70 درصد برای آموزش، 15 درصد برای اعتبارسنجی و 15 درصدی برای آزمون جدا شد. در ادامه، ترکیب متغیرها وارد مدل های شبکه عصبی با توابع فعال سازی لوگ سیگموئید و تانژانت سیگموئید شد. نتایج نشان داد، در بین تمام ترکیب های ورودی به مدل های شبکه عصبی، مدل با تابع فعال سازی تانژانت سیگموئید با ترکیب متغیرهای ورودی شامل دبی لحظه ای (Q)، دبی متوسط روزانه (Qi)، دبی متوسط روزانه دو روز قبل (Qi-2)، دبی متوسط روزانه سه روز قبل (Qi-3)، بارندگی متوسط روزانه (Pi)، بارندگی متوسط روزانه دو روز قبل (Pi-2) و بارندگی متوسط روزانه سه روز قبل (Pi-3) مدل مناسب برای برآورد بار رسوب معلق روزانه شد. این مدل کمترین مقدار خطا، بالاترین کارایی مدل و کمترین انحراف استاندارد عمومی را در مقایسه با سایر مدل ها دارد. این مدل، بهترین ترکیب با تاثیرگذارترین متغیرهای ورودی به دست آمده از آزمون گاما و الگوریتم ژنتیک برای برآورد SSL است.