این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پژوهش های جغرافیای طبیعی، جلد ۴۵، شماره ۲، صفحات ۷۷-۹۰
عنوان فارسی استفاده از سیستم استنتاجی فازی عصبی در تخمین بار رسوبی و مقایسۀ آن با مدل‎های MLR وSRC در حوضۀ رودخانۀ قرانقو
چکیده فارسی مقاله انتقال رسوب‎ها در رودخانه‎ها با توجه به نقش آنها در مباحث هیدرولوژیکی، از اهمیت ویژه‎ای برخوردار است. این رسوب‎ها به روش‎های گوناگون اندازه‎گیری می‎شوند. اندازه‎گیری مستقیم بار معلق رسوبی در رودخانه، هزینه‎بر بوده و امکان احداث ایستگاه‎های اندازه‎گیری در تمام طول رودخانه وجود ندارد. همچنین معادله‎های مورد استفاده در تخمین بار رسوبی، برای تمام مناطق قابل استفاده نبوده و علاوه‎بر آن، نیازمند دیده‎بانی‎های بلندمدت است. با این حال، برخی از روش‎ها در تخمین بار معلق رسوبی به نتایج مطلوبی دست یافته‎اند. در این مطالعه، سیستم استنتاجی فازی عصبی (ANFIS) با بهره‎گیری از ترکیب‎های ورودی مختلف برای تخمین بار معلق رسوبی روزانه به‎کار گرفته شد. به این منظور در اولین بخش از پژوهش، مدل ANFIS با استفاده از داده‎های دِبی روزانه و بار معلق رسوبی روزهای پیشین، تعلیم داده شده و برای تخمین بار معلق رسوبی رودخانۀ قرانقو مورد استفاده قرار گرفت. در دومین بخش از پژوهش، مدل ANFIS با استفاده از شاخص‎های ضریب تبیین (R2) و خطای مجذور میانگین مربعات (RMSE) با مدل‎های منحنی سنجه رسوبی (SRC) و رگرسیون چندمتغیره (MLR) مقایسه شد. نتایج نشان داد که مدل ANFIS با برخورداری از مقادیر ضریب تبیین (R2) برابر 9668/0، RMSE برابر 190، در مقایسه با سایر روش‎ها از قابلیت بهتری در تخمین بار معلق رسوبی برخوردار است. در این بین، مدل SRC با برخورداری از مقادیر R2 و RMSE که به‎ترتیب معادل 8384/0 و 454 تخمین‎زده شده است، به ضعیف‎ترین تحلیل در پیش‎بینی بار معلق رسوبی دست یافته است.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Using Neural Fuzzy Inference System to Estimate Sediment Load and a Comparison with MLR and SRC Models in Ghranghu River Basin
چکیده انگلیسی مقاله Introduction Prediction of sediment load is used in a wide range of topics to estimate volume of dams, sediment transport in rivers and etc. In recent years, artificial neural network was used in rainfall-runoff modeling, prediction of discharge intensity and estimation of sediment load. Sediments are sources of pollutions such as chemical compounds. The results of the many researches indicated the effectiveness of modeling in hydrological predictions. Jin (2001) used Artificial Neural Network (ANN) method to assess the relationship between discharge and sediment load and stated that the ANN model can achieve better results than the sediment rating curves. Tayfor (2002) used the neural network model in sediment transport and concluded that this model was more predictive than the physical models. In this paper, Neural Fuzzy Inference System (ANFIS) is used as a non-linear model to estimate the suspended sediment load. The comparisons showed that the ANFIS method has achieved better results in predicting the daily suspended sediment load than MLR models and SRC models. Dogan et al (2005) also used Artificial Neural Network model (ANN) and fuzzy logic (FL) to predict monthly suspended sediment load in the Sakarya River Basin in Turkey.     Methodology In this study, to determine the amount of suspended sediment load, average daily discharge, rainfall and Gharnghu river basin sediment data (1387 to 1388) have been used as the material. Thus, the above data first have been entered in fuzzy neural models (ANFIS), multivariable regression (MLR) and the sediment rating curve (SRC). Then a comparison between them has been made to determine the ability of each model. Observed data and predicted data replaced with R2 and RMSE and according to these values ​​the best model has been determined.   Results and Discussion The purpose of the suspended sediment modeling studies is establishing significant relationships between discharge and sediment data. For this purpose several methods have been used.  In this paper, daily discharge, current and the previous day rainfalls and suspended sediment load data have been used as the inputs for the model. The amount of sediment has been predicted by the neural fuzzy inference system, multiple regression equations and sediment rating curves. Then, a comparison was made between the results and the ability of each model.   Table1. Performance of ANFIS, MLR and SRC models R2 RMSE Models 0.9668 190 ANFIS 0.8946 381 MLR 0.8384 454 SRC   The comparisons have showed that the ANFIS model with R2 value about 0.9668 and RMSE about 190 has achieved ​​the best result. Table 2 shows that the ANFIS model performs better than the MLR and SRC models. The ANFIS and MLR models have given better estimates of the maximum sediment load than the SRC model. The ANFIS, MLR and SRC models have predicted the maximum amount of the sediment load up to 6549, 5982 and 5329, respectively. These values have been estimated​​ 11, 19, and 28% lower than the observed value. ANFIS models in comparison with the MLR and SRC models have high potential in establishing relationship between discharge and suspended sediment load. Sediment rating curve models establish the linear regression relations between the logarithm of the sediment and discharge values. Thus, these models require a normal distribution of the data and this is one of the main weaknesses of the models. The main characteristic of the ANFIS model is its flexibility and ability in making nonlinear relationships.   Conclusion sediment load. The inputs of these models are rainfall, discharge and sediment data. In the first part of this research, regression equations have been set between discharge and rainfall data. In the second stage, discharge, rainfall and sediment variables set as the ANFIS model inputs and have been used in estimating suspended sediment load. Then in the third phase, the ANFIS model is compared with SRC and MLR models. The value about 0.9668 has been obtained for ANFIS model by using R2 factor and it shows that the ANFIS model has better performance than the other models. Besides, the MLR model has achieved better results than the SRC model. To estimate suspended sediment load in SRC model, the discharge factor has been applied. Conducted researches indicate that rainfall and sediment data must also be used beside discharge data. The main advantage of the ANFIS model relative to other models is their capabilities in modeling nonlinear relationships. Overall, the ANFIS model achieves better results than other models.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله مجید رضایی بنفشه | rezaei banafsheh
دانشیار گروه جغرافیای طبیعی، دانشگاه تبریز
سازمان اصلی تایید شده: دانشگاه تبریز (Tabriz university)

مهدی فیض‎ا پور | فیض‎ا pour
استادیار گروه جغرافیا، دانشکده علوم انسانی، دانشگاه زنجان
سازمان اصلی تایید شده: دانشگاه زنجان (Zanjan university)

سحر صدر افشاری | sadr afshari
کارشناس ارشد اقلیم‎شناسی، دانشگاه تبریز
سازمان اصلی تایید شده: دانشگاه تبریز (Tabriz university)

نشانی اینترنتی http://jphgr.ut.ac.ir/article_35145_1af1d9d3672a7cdc76d7262f0666870c.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1375/article-1375-274863.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات