دوره 12، شماره 24 - ( پاییز و زمستان 1400 1400 )                   جلد 12 شماره 24 صفحات 146-133 | برگشت به فهرست نسخه ها

XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Tabatabaei M, Hosseini S A. Evaluation of the Effect of Logarithmic Transformations and Objective Functions on the Performance of Neural Network Models in Estimation of Suspended Sediment Load (Case Study: Sarab Ghare So Watershed, Ghorichai River). jwmr. 2021; 12 (24) :133-146
URL: http://jwmr.sanru.ac.ir/article-1-1078-fa.html
طباطبائی محمودرضا، حسینی سید احمد. ارزیابی تاثیر تبدیلات لگاریتمی و توابع هدف بر میزان کارائی مدل‌های شبکه عصبی در برآورد بار رسوب معلق (مطالعه موردی: حوزه آبخیز سراب قره سو، رودخانه قوری‌چای). پ‍‍ژوهشنامه مديريت حوزه آبخيز. 1400; 12 (24) :146-133

URL: http://jwmr.sanru.ac.ir/article-1-1078-fa.html


پژوهشکده حفاظت خاک و آبخیزداری
چکیده:   (645 مشاهده)
چکیده مبسوط
مقدمه و هدف: برآورد صحیح ﺑﺎر رﺳﻮب ﻣﻌﻠﻖ رودﺧﺎﻧﻪ‌ﻫﺎ، ﻧﻘش‌ مهمی در ﻣﺴﺎﺋﻞ ﻣﺮﺑﻮط ﺑﻪ ﻣﺪیﺮیﺖ ﻣﻨﺎﺑﻊ آب، آبخیزداری و علوم وابسته دارد. با توجه به داﻣﻨﻪ وﺳﯿﻊ ﺗﻐﯿﯿﺮات رﺳﻮب معلق در فصول مختلف سال و همچنین ﻣﺎﻫﯿﺖ به­شدت ﻏﯿﺮﺧﻄﯽ و پیچیده آن، لازم است از روش‌هایی  مناسب که می‌توانند چنین پدیده‌هائی را شبیه‌سازی و برآورد نمایند، استفاده شود.
مواد و روش­ ها: از تبدیل لگاریتمی داده‌ها و الگوریتم بهینه‌سازی ازدحام ذرات چند هدفه (MOPSO)، در آموزش بهینه مدل‌های شبکه عصبی استفاده شد. بدین­ منظور در ابتدا، با کمک شبکه عصبی بدون ناظر (SOM)، داده­های دبی جریان و دبی رسوب معلق ایستگاه هیدرومتری مورد مطالعه (دوره آماری 1395-1364) خوشه­ بندی و سپس با نمونه ­گیری از خوشه­ ها، مجموعه داده­ های مورد نیاز برای آموزش و آزمون مدل­ های شبکه عصبی تهیه گردید. پس از آن، به­ منظور ارزیابی تاثیر به­ کارگیری تبدیلات لگاریتمی و الگوریتم بهینه­سازی MOPSO، سه سناریو تعریف شد. در سناریوی اول، داده­های اولیه (بدون تبدیل لگاریتمی) و الگوریتم گرادیان مبنا رایج در آموزش مدل­های شبکه عصبی (پس انتشار خطا)، در سناریوی دوم، الگوریتم پس انتشار خطا و تبدیلات لگاریتمی و در سناریوی سوم، از تبدیلات لگاریتمی و الگوریتم MOPSO، در آموزش مدل­ های شبکه عصبی استفاده گردید.
یافته­ ها: ارزیابی و مقایسه نتایج صحت سنجی مدل­ها نشان داد که به­ کارگیری تبدیلات لگاریتمی و الگوریتم MOPSO،  با کاهش خطای RMSE و درصد اریبی (PBIAS) از 49 تن در روز و 21- درصد، در بهترین مدل از سناریو اول،  به 30/3 تن در روز و 6/3- درصد، در بهترین مدل ازسناریو سوم،  کارائی مدل­ها  را افزایش داده است. از دیگر نتایج پژوهش، عدم برآورد ارقام منفی برای رسوب معلق بوده که یکی از خطاهای رایج در استفاده از مدل های شبکه عصبی در برآورد رسوب معلق است.
نتیجه ­گیری: استفاده از توابع هدف چندگانه، امکان حساس نمودن مدل‌ها به برآورد دقیق‌تر رسوب معلق در جریان‌های کم یا زیاد را فراهم نموده سبب می‌شوند، شاخص‌های صحت‌سنجی و اریبی مدل‌های داده مبنا بهبود یابند.
 
 
متن کامل [PDF 1133 kb]   (32 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: فرسايش خاک و توليد رسوب
دریافت: 1399/1/10 | ویرایش نهایی: 1400/12/3 | پذیرش: 1399/2/8 | انتشار: 1400/6/10

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

ارسال پیام به نویسنده مسئول


بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

کلیه حقوق این وب سایت متعلق به (پژوهشنامه مدیریت حوزه آبخیز (علمی-پژوهشی می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2022 CC BY-NC 4.0 | Journal of Watershed Management Research

Designed & Developed by : Yektaweb