Journal of Watershed Management Research

fa مقایسه کارآیی شبکه‌های عصبی CANFIS، MLP و MLP بهینه ‌شده به روش ژنتیک در شبیه‌سازی رسوب معلق رودخانه (مطالعه موردی: حوزه آبخیز زشک- ابرده، شاندیز) Performance Comparison of the Neural Networks CANFIS, MLP and Optimized MLP using Genetic Programming for Suspended Sediment Load Simulation (Case study: Zoshk-Abardeh Watershed, Shandiz, Iran) فرسايش خاک و توليد رسوب فرسايش خاک و توليد رسوب پژوهشي Research در این پژوهش شبکه عصبی مصنوعی CANFIS و پرسپترون چندلایه (MLP) در برآورد بار رسوب حوزه زشک ابرده شهرستان شاندیز مورد ارزیابی قرار گرفت. بدین منظور سه سناریو شبیه‌سازی شد. به‌منظور شبیه‌سازی سناریوی S1 از ورودی دبی آب، سناریوی  S2از دبی آب و باران روزانه و سناریوی  S3از ورودی دبی آب، باران و دمای روزانه استفاده گردید. نتایج نشان داد سناریوی S3_CANFIS با معماری تابع عضویت بل، تابع انتقال تانژانت هایپربولیک و قانون آموزش لونبرگ مارکوارت باNSE  (ضریب نش) برابر با 743/0 و AM (سنجه جمعی) برابر با 806/0 نسبت به S2_CANFIS و S1_CANFIS کارایی بهتری در پیش‌بینی بار رسوبی دارد. نتایج شبکه  MLPحاکی از این است که سناریوی S2_MLP با معماری 5 نورون مخفی در 2 لایه پنهان، تابع انتقال سیگموئید و قانون یادگیری مومنتم با NSE برابر با 604/0 و AM برابر با 626/0 در مقایسه با سایر سناریوهای MLP بهتر عمل کرده است. ازآنجایی‌که شبکه MLP در مقایسه با شبکه CANFIS عملکرد ضعیف‌تری را در برآورد میزان رسوب نشان داد، از الگوریتم ژنتیک برای آموزش و تعیین بهینه پارامترهای معماری شبکه S2_MLP کمک گرفته شد. نتایج نشان داد که الگوریتم ژنتیک با ضریب نش-ساتلکیف برابر با 658/0 و  AM برابر با 655/0 نسبت به مدل MLP عملکرد بهتری داشته است. با مقایسه شبکه عصبی  CANFISبا MLP-GA مشخص می‌شود که CANFIS عملکرد بهتری را در پیش‌بینی رسوب حوزه نسبت به سایر شبکه‌ها داشته است. اما بااین‌وجود درمجموع شبکه عصبی در این حوزه کارایی کاملاً رضایت‌بخشی را در پیش‌بینی دقیق بار رسوبی نشان نداد که این می‌تواند ناشی از کمبود داده‌های آموزشی (به‌ویژه مقادیر حدی) و غیردقیق بودن و وجود خطا در آمار حوزه باشد.          In this study, the predictive performance of three Artificial Neural Networks (ANNs), i.e. Co-Active NeuroFuzzy Inference System (CANFIS), Multi-Layer Perceptron (MLP) and MLP integrated with Genetic Algorithm (GA) in the Zoshk-Abardeh watershed were compared. In this study, three scenarios were considered and simulated in each model. In order to simulate the scenario S1 water flow were fed into the network as input. Daily water discharge and rainfall depth were considered as the input for the scenario S2. The scenario S3 was simulated based on the water discharge, daily rainfall and temperature as the inputs. In all scenarios daily sediment load was considered as the network output. Results showed that the optimum architecture for the S3_CANFIS (as the best network) was based on the Bell membership function, hyperbolic tangent transfer function and the Levenberg-Marquardt training algorithm. The S3_CANFIS with the lower MSE and NMSE acted better as compared with other scenarios during the testing process. This scenario based on the NSE equal to 0.743 and the AM equal to 0.806 showed better performance, as well. The results also suggest that the S2_MLP with 5 neurons in two hidden layers, sigmoid transfer function and the momentum learning algorithm with NSE and AM equal to 0.604 and 0.626, respectively acted better as compared with other MLP scenarios. Since the MLP network compared with CANFIS showed weaker performance in sediment yield simulation, the GA was integrated with MLP to determine the optimal network architecture parameters for the S2_MLP. Results showed that GA-MLP with NSE and AM equal to 0.658 and 0.655, respectively led to a higher capability for sediment load simulation in comparison with MLP network. Totally, the S3_CANFIS according to the criteria MB equal to -0.043, NSE equal to 0.743 and AM equal to 0.806 showed better performances in predicting sediment yield than the other networks in the studied watershed. However, both networks did not show a satisfactory power in sediment load simulation which could be arisen from the lack of data (especially extreme data) in the training series and also the existence of systematic error in observed records.   ژنتیک, پرسپترون چندلایه, تحلیل حساسیت, دبی آب, دبی رسوب, شبکه عصبی, شبکه عصبی فازی Neural network, CANFIS, Multi-Layer Perceptron, Genetic Algorithm, Sensitivity analysis, Water discharge, Sediment load 119 131 http://jwmr.sanru.ac.ir/browse.php?a_code=A-10-578-2&slc_lang=fa&sid=1 Seyed Mohammad Tajbakhsh سید محمد تاجبخش فخرآبادی tajbakhsh.m@birjand.ac.ir 10031947532846006466 10031947532846006466 No دانشگاه بیرجند Hadi Memarian هادی معماریان خلیل آباد hadi_memarian@birjand.ac.ir 10031947532846006467 10031947532846006467 Yes دانشگاه بیرجند Fatemeh Mohammadi فاطمه محمدی گیوشاد fatememohammadi93@yahoo.com 10031947532846006468 10031947532846006468 No دانشگاه بیرجند