برآورد بار روزانه رسوب با استفاده از مدل شبکه عصبی و swat، مطالعه موردی: حوزه آبریز کسیلیان

برآورد بار رسوب از جمله مسائلی است که در بسیاری از پروژه های مربوط به منابع آب امری ضروری است. برای پرداختن به این مهم، در این تحقیق دو مدل سازی کاملا متفاوت شامل استفاده از مدل مفهومی swat و شبکه عصبی مصنوعی در شبیه سازی فرآیند رسوب در حوزه جنگلی کسیلیان مورد بررسی قرار گرفته است. منشا عدم قطعیت در مدلهای swat و شبکه عصبی و آنالیز عدم قطعیت در نتایج خروجی این مدلها از دیگر مواردی است که بدان پرداخته می شود که در کارهای قبلی کمتر مورد توجه بوده است. با توجه به حجم زیاد پارامترهای ورودی مدل swat و زمان بر بودن واسنجی و آنالیز عدم قطعیت، از روش مدل سازی معکوس و آلگوریتم sufi2 برای واسنجی و برآورد عدم قطعیت در نتایج خروجی این مدل استفاده شد. در استفاده از مدل شبکه عصبی در برآورد بار رسوب، عدم قطعیت ناشی از مقادیر اولیه وزنهای استفاده شده برای شروع آموزش شبکه و هم چنین اثر انتخاب دسته های مربوط به آموزش و نظارت شبکه شده مورد بررسی قرار گرفت. نتایج تحقیق نشان داد که مدل swat در آوردهای بالای رسوب بطور مطلوب تری شبیه سازی را به انجام رسانده و در آوردهای کم، شبکه عصبی بهتر عمل کرده است. در مجموع ضریب تعیین برای مقادیر ماهانه بار رسوب در طول دوره صحت سنجی برای نتایج swat و شبکه عصبی به ترتیب برابر با 0/61 و 0/75برآورد شد. هم چنین پارمتر های و به کار رفته برای سنجش عدم قطعیت برای مدل های swat به ترتیب برابر 0/71 و 1/62 و شبکه عصبی مصنوعی به ترتیب برابر با 0/97 و 0/95 می باشد که بیانگر کمتر بودن عدم قطعیت در نتایج مدل شبکه عصبی در برآورد بار رسوب می باشد. اما برتری مدل swat در امکان تحلیل مکانی مدل رسوب در سطح حوزه است که می تواند برای اولویت بندی زیر حوزه ها در طرح های آبخیزداری مفید باشد.