مقایسه کارآیی مدلهای شبکههای عصبی مصنوعی و رگرسیون برای پیشبینی بار رسوب جریان مطالعه موردی حوضه آبخیز سمندگان

  یک سیستم رودخانه­ای یک سیستم بازاست که از درگیر شدن ارتباطات مختلف و پیچیده شکل میگیرد. خصوصیات ذاتی حوضهها از یک سو و عوامل خارجی از سوی دیگر رفتارهای رودخانه را متاثر میسازد.وجود ارتباطات متقابل متعدد از جمله ارتباطات جریان ورسوب حمل شده وتاثیر عوامل ژئومورفولوژی حوضه و مدل سازی آن از اهمیت ویژه ای برخوردار است.در این مطالعه دونوع شبکه عصبی مصنوعی ژئومورفولوژیکی و غیر ژئومورفولوژیکی برای پیش بینی بار رسوب جریان رودخانه سمندگان طراحی گردید و نتایج آن با دو نوع مدل رگرسیونی ژئومورفولوژیکی و غیر ژئومورفولوژیکی مورد مقایسه قرار گرفت. نتایج طراحی شبکههای عصبی مبین کارآیی خوب شبکههای چند لایه ی پرسپترون با الگوریتم یادگیری پس انتشار خطا است. نتایج نشان داد که شبکه عصبی ژئومورفولوژیکی با ضریب تبیین ۸۶۲/۰ و مجذور میانگین مربعات خطای ۸۱۵/۱ در مقایسه شبکه عصبی غیر ژئومورفولوژیکی با ضریب تبیین ۸۲۷/۰و معیار خطای۰۳۱/۲ میزان رسوب جریان را بهتر پیش­بینی میکند. نتایج ارزیابی مدلهای رگرسیونی مبین عملکرد ضعیف­تر آنها در مقایسه با روش شبکه عصبی مصنوعی است به طوری که ضریب تبیین مدل رگرسیونی ساده غیر ژئومورفولوژیکی ۷۵۹/۰و معیار خطای ۳۹۵/۲ و ضریب تبیین مدل رگرسیونی ژئومورفولوژیکی برابر ۸۱۱/۰ با معیار خطای معادل ۱۴۲/۲ است. همچنین از مقایسه نتایج مدلهای مختلف چنین استنباط میشود زمانی که پارامترهای ژئومورفولوژیکی نظیر شاخص ناهمواری، شاخص گردی و شاخص تراکم زهکشی در مدل سازی وارد شوند نتایج ارزیابی آنها مناسب­تر میشود.