پیش بینی بار معلق رودخانه با استفاده از مدل های سری زمانی و شبکه عصبی مصنوعی (مطالعه موردی: ایستگاه قزاقلی رودخانه گرگانرود)

     برآورد میزان دقیق رسوبات معلق در رودخانه ها از ابعاد مختلف کشاورزی، حفاظت خاک، کشتیرانی، سدسازی، حیات آبزیان و ابعاد تحقیقاتی، دارای اهمیت فراوانی است. روش های مختلفی برای بررسی و برآورد رسوبات معلق رودخانه، موجود می باشد که البته توانایی این روش ها متفاوت است. در تحقیق حاضر به منظور مقایسه و بررسی توانایی مدل های سری زمانی شامل مارکف،  ARIMA و شبکه های عصبی در پیش­بینی رسوب معلق، از داده های روزانه ایستگاه قزاقلی واقع روی رودخانه گرگانرود استفاده شده است. داده های  موجود به صورت متوسط رسوب معلق ماهانه در محیط نرم­افزار Minitab ۱۶  وNeurosolutions ۵  به کار گرفته شد و در نهایت پیش­بینی رسوب برای ۱۱۱ ماه انجام گرفت. در مرحله بعد، مقادیر پیش بینی شده توسط مدل های مختلف، با شاخص های اندازه گیری خطا شامل  RMSEوNMSE  نشان داد که شبکه های عصبی در مقایسه با مدل های سری زمانی توانایی بهتری در پیش بینی و مدل سازی رسوب ماهانه دارد و نیز در بین مدل های سری زمانی، مدل مارکف در مقایسه با مدل ARIMA دارای توانایی بهتری در برآورد رسوب معلق می باشد.

کلیدواژه ها:

ARIMA ، Suspended sediment ، Ghazaghly ، Markov ، Modeling ، آریما ، رسوب معلق ، قزاقلی ، مارکف ، مدل سازی