TY - JOUR JF - JSTNAR JO - jwss VL - 19 IS - 72 PY - 2015 Y1 - 2015/8/01 TI - Evaluation of Sediments Using Rating Curve and Artificial Neural Network Methods by Combining Morphological Parameters of Basin (Case Study: Bagh Abbas Basin) TT - ارزیابی برآورد رسوب با استفاده از روش‌های منحنی سنجه و شبکه عصبی با تلفیق پارامترهای مورفولوژیکی حوزه (مطالعه موردی حوزه باغ عباس) N2 - از آنجا که توسعه برنامه‌های مهار آب‌های سطحی ملزم به‌دستیابی دقیق رفتارهای جریان و میزان رسوبات آن می‌باشد لذا کمبود ایستگاه‌های اندازه‌گیری رسوب و فقدان آمار کامل رسوب، از جمله دلایل ارزیابی صحیح در شبیه‌سازی رفتار جریان‌ها و رسوبات آنهاست. از جمله مواردی که در یک حوزه آبخیز از هم تأثیر می‌پذیرند خصوصیات مورفولوژیکی حوزه و بار رسوبی جریان‌های آن می‌باشد. لذا آگاهی از میزان این ارتباط به‌منظور مدیریت و ساماندهی جریان در پایین‌دست حوزه حائز اهمیت می‌باشد. در تحقیق حاضر با استفاده از شبکه عصبی مصنوعی و روش‌های رگرسیونی سنجه رسوب براساس داده‌های 136 واقعه دبی جریان و رسوب متناظر آن و همچنین پارامترهای مورفولوژیکی به پیش‌بینی بار رسوبی حوزه باغ عباس اقدام گردیده است. بدین‌منظور در گام نخست برای پیش‌بینی بار رسوب از دو روش مذکور، فقط از داده‌های جریان استفاده گردیده و در گام بعدی خصوصیات مورفولوژیکی حوزه از قبیل ضریب شکل و ضریب فشردگی حوزه به مدل‌ها اضافه شده است. نتایج به‌دست آمده از این تحقیق نشان می‌دهد که با به‌کارگیری شبکه عصبی از نوع پرسپترون چندلایه (MLP) با الگوریتم لونبرگ- مارکوارت و تابع تحریک از نوع تانژانت سیگموید با دو لایه مخفی و 4 نرون در هر لایه، می‌توان با دقت مناسبی میزان دبی بار معلق رسوب را برآورد نمود. همچنین دقت نتایج به‌دست آمده از روش شبکه عصبی مصنوعی به‌مراتب از دقت روش منحنی سنجه بالاتر می‌باشد. در ارزیابی روش‌های شبکه NGANN, GANN و رگرسیونیSRC, MARS ، به‌ترتیب میزان ضریب همبستگی 94/0، 93/0، 767/0 و 766/0 و مجذور میانگین مربعات خطا (RMSE) به‌ترتیب 45/0، 49/0، 3/2 و 3/2 و ضریب نش- ساتکلیف (NS) به‌ترتیب 71/0، 58/0، 27/0 و 23/0 محاسبه گردید. بنابراین کاراترین روش از بین مدل‌های چهارگانه مذکور، شبکه عصبی مصنوعی همراه با داده‌های مورفولوژیکی حوزه (GANN) می‌باشد. ضمناً براساس یافته‌های تحقیق اضافه نمودن پارامترهای ژئومورفولوژیکی در روش سنجه رسوب تأثیر چندانی بر روی کارایی این مدل ندارد. SP - 217 EP - 228 AU - Hayatzadeh, M. AU - Chezgi, J. AU - Dastorani, M.T. AD - Dept. of Watershed and Rangeland Management, School of Natur. Resour. and Desert Studies, Yazd Univ., Yazd, Iran KW - Artificial Neural Network (ANN) KW - sediment rating curve method KW - MARS method KW - Bagh Abbas basin. UR - http://jstnar.iut.ac.ir/article-1-3076-fa.html DO - 10.18869/acadpub.jstnar.19.72.19 ER -