فیزیک، فرسایش و حفاظت خاک
حیدر غفاری؛ هادی عامری خواه
چکیده
باتوجه به فقدان تجهیزات مناسب در ایستگاههای رسوبسنجی کشور و اندازهگیری بسیار محدود دادههای رسوب، تخمین مقدار رسوب در روزهای فاقد داده در راستای مدیریت منابع آب و خاک بسیار حائز اهمیت است. در این پژوهش، از تکنیکهای مختلف یادگیری ماشینی شامل، شبکه عصبی مصنوعی (ANN)، سیستم استنتاجی فازی-عصبی تطبیقی (ANFIS) و جنگل تصادفی (RF) بهمنظور ...
بیشتر
باتوجه به فقدان تجهیزات مناسب در ایستگاههای رسوبسنجی کشور و اندازهگیری بسیار محدود دادههای رسوب، تخمین مقدار رسوب در روزهای فاقد داده در راستای مدیریت منابع آب و خاک بسیار حائز اهمیت است. در این پژوهش، از تکنیکهای مختلف یادگیری ماشینی شامل، شبکه عصبی مصنوعی (ANN)، سیستم استنتاجی فازی-عصبی تطبیقی (ANFIS) و جنگل تصادفی (RF) بهمنظور شبیهسازی رسوب و برآورد آن در روزهای فاقد داده استفاده شد. برای دستیابی به اهداف پژوهش، ابتدا دادههای بلند مدت هواشناسی و هیدرومتری (سال 2000 تا 2020) از سازمانهای مرتبط جمعآوری و قبل از ورود به مدل پیش-پردازش شدند. متغیرهای ورودی به مدلها شامل بارندگی، دبی جریان، شاخص پوشش گیاهی نرمالشده، دمای حداکثر و دمای حداقل بود و مقادیر رسوب معلق به عنوان خروجی تمام مدلها در نظر گرفته شد. داده-ها قبل از مدلسازی با نسبت 70 -30 به دو گروه داده-های آموزشی و دادههای آزمون تقسیم شدند. کارایی مدلها با استفاده از پنج شاخص ضریب تبیین (R2)، جذر میانگین مربعات خطا (RMSE)، درصد اریب (PBIS)، میانگین خطای مطلق (MAE) و ضریب ناش-ساتکلیف (NSE) ارزیابی شدند. نتایج نشان داد که در مورد ایستگاه ماشین از بین تکنیکهای مختلف، مدل شبکه عصبی دارای بیشترین مقدار ضریب تبیین (78/0) و کمترین مقدار خطا بود. همچنین در مورد ایستگاه منجنیق، مدل شبکه عصبی و نروفازی عملکرد تقریبا مشابهی را نشان دادند. لذا، مدل شبکه عصبی به عنوان مدل برتر در این پژوهش انتخاب شد. میانگین تولید سالانه رسوب برای کل دوره آماری بر اساس مدل شبکه عصبی، برابر با 1 تن در هکتار در سال بدست آمد.