مقایسه کاربرد الگوسازی سری زمانی و شبکه های عصبی در پیش بینی رسوب معلق رودخانه ها (مطالعه موردی: ایستگاه هیدرومتری واقع در ایالت اوهایو)

برآورد رسوب معلق رودخانه ها، یکی از فرآیندهای مهم مهندسی رودخانه و منابع آبی است که نقش مهمی در طراحی و ساخت سازه های آبی، مدیریت فرسایش و رسوب در سطح حوزه های آبخیز دارد. پیش بینی بار رسوب رودخانه ها، با توجه به ساختار غیر خطی و پیچیده آن ها کار ساده ای نیست. تاکنون مدل سازی های مختلفی به منظور پیش بینی روند بار رسوبی معلق در رودخانهها صورت گرفته است. لیکن این پژوهش، در راستای ارزیابی و توسعه روشهای پیشبینی، به بررسی کارایی مدلهای سریزمانی و شبکه عصبی مصنوعی در شبیه سازی داده های رسوب میپردازد. بر این اساس، داده های رسوب در ایستگاه هیدرومتری اوهایو واقع در ایالت متحده (۱۹۹۲ تا ۲۰۱۴) اخذ و در قالب سریزمانی و شبکه عصبی برای آنها الگوسازی شد. نتایج آزمون ریشه واحد نشان داد، سری رسوب در سطح، ایستا است و با استفاده از روش باکس- جنکینز بر روی این داده ها، الگوی مناسب برای پیش بینی رسوب تعیین شد. با به کارگیری الگوی آرما و مدل شبکه عصبی مصنوعی به پیش بینی بار رسوبی معلق برای ۵ سال آینده پرداخته شد. نتایج نشان داد که مدل آرما با خطای جذر میانگین مربعات ۴/۶۷ و ضریب تعیین ۰/۵۶از دقت بالاتری در پیش بینی بار رسوبی معلق برخوردار است.

کلیدواژه ها:

بار رسوب معلق ، دبی جریان ، سری زمانی ، شبکه عصبی مصنوعی