ارزیابی قابلیت مدل سیستم استنتاجی فازی عصبی(ANFIS) در تخمین مقادیر بار معلق رسوبی و مقایسه آن با ۲ نوع از مدل های شبکه ی عصبی مصنوعی مطالعه موردی: رودخانه زرینه رود، حوضه جنوب شرقی دریاچه ارومیه
محل انتشار: فصلنامه جغرافیا و توسعه، دوره: 13، شماره: 41
سال انتشار: 1394
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 122
فایل این مقاله در 16 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_GDIJ-13-41_014
تاریخ نمایه سازی: 5 تیر 1401
چکیده مقاله:
حوضه های جنوب شرقی دریاچه ارومیه به علت برخورداری از شرایط هیدرولوژیکی و لیتولوژیکی خواص، از میزان بالای تولید رسوب برخوردارند. با توجه به این نکته در این تحقیق برای تخمین بار معلق رسوبی روزانه از سیستم استنتاجی فازی عصبی([۱]ANFIS) بهره گرفته شده است. به این منظور داده های دبی روزانه و بار معلق رسوبی۳۶۵ روز سال ۱۳۸۶ و ۱۳۸۷ ایستگاه رسوبی واقع در رودخانه زرینه رود برای تعلیم و آزمودن مدل های شبکه عصبی مصنوعی مورد استفاده قرار گرفته است. در کنار این مدل از مدل های پرسپترون چندلایه([۲]MLP)، شبکه عصبی تابع پایه شعاعی([۳]RBF)و منحنی سنجه رسوبی ([۴]SRC) نیز بهره گرفته شد. سپس نتایج مدل ANFISبا مدل های فوق مقایسه گردید. برای تعیین کارایی مدل ها از فاکتور مجذور میانگین مربعات خطا (RMSE)و خطای تبیین (R۲)استفاده شده و مشاهده می شود که مدل ANFIS با برخورداری از خطای تبیین معادل ۹۰۸۷/۰ و مجذور میانگین مربعات خطای معادل ۲۲۴ میلیگرم در لیتر نسبت به سایر مدل ها به نتایج بهتری دست می یابد. کمترین میزان R۲ و RMSEنیز برای مدل SRC به ترتیب معادل ۸۲۵۱/۰ و ۳۰۴ برآورد گردید. مقادیر آکائیک نیز برای مدل ANFIS معادل ۱۹۹۳ محاسبه شد که این امر نشان دهنده ی قابلیت بالای مدل ANFIS در تخمین بار معلق رسوبی می باشد. [۱]-Artificial neural fuzzy inference system [۲]-Multi layer perceptron [۳]-Radial basis function [۴]-Sediment rating curve
کلیدواژه ها:
بار معلق رسوبی ، سیستم استنتاجی فازی عصبی ، پرسپترون چندلایه ، شبکه ی عصبی رگرسیونی تعمیم یافته ، شبکه ی عصبی تابع پایه شعاعی ، منحنی سنجه رسوبی ، حوضه ی رودخانه ی زرینه رود