مقایسه بین شبکه های عصبی مصنوعی (ann) و روش اسپیلاین رگرسیونی تطبیقی چند متغیره (mars) به منظور شبیه سازی دینامیکی غلظت بار معلق در رودخانه

هدف از این تحقیق، شبیه سازی و پیش بینی غلظت بار معلق رودخانه ی ساکرامنتو (کالیفرنیا) توسط روش اسپلاین رگرسیونی تطبیقی چند متغیره mars و ارزیابی نتایج آن با نتایج شبکه ی عصبی(anns) می باشد. در این تحقیق پس از جمع آوری داده های بار معلق و دبی (در مقیاس روزانه) رودخانه ی ساکرامنتو در دو ایستگاه ساکرامنتو و فریپورت، اقدام به شبیه سازی بار معلق توسط anns مختلف از جمله شبکه ی اتورگرسیو غیر خطی موازی(narx-parallel) و سری- موازی (narx-series parallel)، شبکه ی المن (elman)، شبکه پرسپترون چندلایه(mlp) و شبکه ی عصبی دارای تاخیر زمانی متمرکز (fftd)، شده و شبیه سازی های انجام شده بر روی داده های ورودی مختلف (دبی با تاخیر زمانی(q)، غلظت بار معلق با تاخیر زمانی (c)و استفاده ی توام از دبی و غلظت بار معلق با تاخیر زمانی(q,c)) انجام شد. در ضمن پس از شبیه-سازی توسط anns، تحت ساختار و شرایط اولیه ی مختلف، بهترین ساختار برای anns، انتخاب شدند. برای ارزیابی anns، از معیار های آماری و گرافیکی مانند rmse، mae، mbe، r، q-q دیاگرام و نمودار پراکندگی، استفاده شد. سپس رویanns منتخب، با توجه به معیار های آماری و گرافیکی، اقدام به انجام آنالیز حساسیت شد و سپس قابلیت anns تحت آنالیز حساسیت مورد ارزیابی قرار گرفت، در نهایت اقدام به پیش بینی با گام های زمانی مختلف رو به جلو شد و دقت anns مختلف در پیش بینی با گام های زمانی مختلف، مورد ارزیابی قرار گرفت. نتایج تحلیل آماری و گرافیکی شبکه های مختلف منتخب، به همراه نتایج آنالیز حساسیت و پیش بینی های با گام های زمانی مختلف، جهت تعیین بهترین anns در مدل سازی (c) در دو ایستگاه فریپورت و ساکرامنتو مورد استفاده قرار گرفت. در نهایت بهترین anns برای شبیه سازی (c) در ایستگاه های فریپورت و ساکرامنتو تحت ورودی های (q)، ورودی های (c)و ورودی های (q,c)، fftd و در یک مورد mlp بودند و برای مثال همبستگی(r) آن ها در شبیه سازی به ترتیب برای ترکیبات متغیر ورودی مذکور، در ایستگاه فریپورت 899/0 و 89/0 و 9/0 و در ایستگاه ساکرامنتو 63/0 و 924/0 و 884/0 بودند. پس از انجام مدل سازی شبکه ی عصبی، اقدام به شبیه سازی (c) تحت ورودی های مختلف، توسط روش mars شد. پارامتر های روش mars مورد کالیبراسیون قرار گرفت و نتایج شبیه سازی ها توسط mars نشان داد که روش mars می تواند با (r) 906/0 و 914/0 و 89/0 در ایستگاه فریپورت و 714/0 و 874/0 و 865/0 در ایستگاه ساکرامنتو، تحت ترکیبات متغیر ورودی مذکور، مقدار (c) روزانه در ایستگاه های فریپورت و ساکرامنتو را شبیه سازی کند. مقایسه ی روش mars و anns نشان داد که نتایج تقریبا برابری را نشان می دهد. از طرفی ایجاد یک مدل anns بسیار زمان بر است و نیز anns قابلیت شناسایی ورودی های موثر را دارا نیست، در حالیکه مرحله ی آموزش روش mars ساده تر از شبکه ی عصبی است و mars نه تنها قابلیت شناسایی متغیر های موثر و حذف متغیر های اضافی از مدل را داراست، بلکه قابلیت شناسایی اندرکنش بین متغیر های ورودی و اثر آن ها روی خروجی را داراست. باید توجه داشت که تمام مدل سازی های mars و anns در محیط matlab اجرا شده است. با توجه به نتایج این تحقیق و قابلیت ها و توانمندی های روش mars، می توان این روش را به عنوان یک روش جدید در شبیه سازی دینامیکی آلودگی ها در سیستم های آبی از جمله رودخانه ها معرفی نمود.