فهرست نشریات علمی دسترسی آزاد ایران

فرسایش به وسیله آب، جدی‌ترین شکل تخریب زمین در بسیاری از نقاط جهان به ویژه در مناطق خشک و نیمه‌خشک است که در آن میزان تشکیل خاک معمولاً کمتر از میزان فرسایش آن می‌باشد. در این تحقیق کارایی مدل‌های شبکه عصبی مصنوعی به دو روش تابع شعاع محور(RBF) و پرسپترون چند لایه(MLP) در تخمین رسوب معلق در حوضه قره‌سو استان اردبیل مورد بررسی قرار گرفت. در این مطالعه از داده‌های 3834 رسوب روزانه ثبت شده مربوط به دوره آماری سال 1350 تا 1399 استفاده شد. به منظور بررسی همبستگی بین متغیرها برای ورود به عملیات مدلسازی از روش همبستگی پیرسون استفاده گردید و جهت پیش‌بینی و مدلسازی رسوب در حوضه موردنظر از مدل شبکه عصبی مصنوعی استفاده شد. نتایج نشان می‌دهد که انتخاب تعداد 3 نرون در لایه پنهان با داده‌های ارزیابی، آموزش و جدانگه داشته شده به ترتیب با مقادیر 2618، 701 و 515 برای مدل RBF و تعداد 8 نرون در لایه پنهان با داده‌های ارزیابی، آموزش و جدانگه داشته شده به ترتیب با مقادیر 2592، 709 و 533 برای مدل MLP، بیشترین دقت پیش‌بینی را دارا می‌باشند. بطوریکه دقت پیش‌بینی در مدل RBF با ضریب همبستگی 941/0R2= و 002/65RMSE= و در مدل MLP با ضریب همبستگی 917/0R2= و 244/88RMSE= می‌باشد. با توجه به مشکلات اندازه‌گیری رسوبات بار کف و اریب زیاد ناشی از محاسبه بار بستر به عنوان درصدی از بار معلق، می‌توان توصیه نمود که از مدل شبکه عصبی مصنوعی RBF به عنوان یک روش قدرتمند، سریع و با دقت بالا برای تخمین رسوب استفاده شود. همچنین نتایج حاضر ضمن معرفی عوامل تاثیرگذار بر میزان تولید رسوب در حوزه مورد مطالعه‌، می‌تواند برای برآورد رسوب به مناطق فاقد آمار تعمیم داده شود.