Document Type : Research Paper

Authors

Chief Editor

Abstract

One of the new techniques in the field of predicting hydrological and geomorphologic processes is artificial neural network from the components of artificial intelligence which are trying to implement the amazing features of human brain in an artificial system and are powerful tools in the field of modeling and predicting geomorphologic parameters and in this study have been used for the prediction of sediment in Aras basin. For this purpose was used information of discharge, sedimentation and prediction monthly on Borran hydrometric station located in the Basin of Darreh Roud that is from the main sub basin of Aras river in Moghan plain during the period of 34 years (water year of 53-54 to 86-87). So that the discharge and precipitation rate as inputs to the neural network and sediment was considered the output of network. For this purpose used the facilities and functions available in programming environment MATLAB / 2010 and SPSS / 21 software. Then models were evaluated through statistical parameters such as the determination coefficient, root mean square error, mean square error, mean absolute error, correlation coefficient and also mean percentage relative error. The results, in addition to confirming the capability of artificial neural network model, showed that, there is good correspondence between predicted values and observed data. So that the error mean of this model with the observed data is 0.9 and correlation coefficient is 0.99 which is significant at 0.01.The results of this study showed that the artificial neural. Network model has more accuracy in the estimation of sediment at the investigated basin. The results can be useful in planning and management of water and watersheds and natural resource management, especially in agriculture, industry, drinking and Forecast of Reservoir Sedimentation

Main Subjects

- اسفندیاری، ف، حسینی، س الف.، احمدی، ح.، محمدپور، ک.، 1392، مدل­سازی پیش­بینی سرماهای دیررس بهاره در شهرستان سقز با استفاده از مدل پرسپترون چند لایه (MLP)، دومین کنفرانس بین المللی مدل­سازی گیاه، آب، خاک و هوا، دانشگاه تحصیلات تکیملی صنعتی و فناوری پیشرفته، کرمان، 12 ص.
- اصغری­مقدم، الف.، نورانی، و.، ندیری، ع.، 1387، مدل­سازی بارش دشت تبریز با استفاده از شبکه­های عصبی مصنوعی، مجله دانش کشاورزی دانشگاه تبریز، جلد 18، شماره 1، صص 15-1.
- اعلمی، م.، نورانی، و.، نظم­آرا، ح.، 1388، قابلیت شبکه عصبی مصنوعی جهت مدل سازی چند ایستگاهه بار معلق در مقایسه با روش منحنی رسوب،  نشریهدانشآبوخاک، جلد 1/19، شماره 2، صص 45-55.
- اکبرپور، ا.، حامدافتخار،خ.، 1385، مقایسه مدل­های شبکه عصبی مصنوعی و رگرسیون در پیش­بینی آورد رسوب درحوزه اهرچای آذربایجان شرقی، اولین همایش ملی مدیریت شبکه های آبیاری و زهکشی، 9ص.
- اکبرپور، م.، شکرالهی، ا.، 1383، به کارگیری شبکه­های عصبی مصنوعی در تخمین جریانات رودخانه­ای، اولین کنگره ملی مهندسی عمران، دانشگاه صنعتی شریف، صص 7-1.
- ایلدرمی، ع.، زارع ابیانه، ح.، بیات ورکشی، م.، 1392. برآورد بارش به کمک شبکه عصبی مصنوعی با داده­های هواشناسی غیربارشی در سه منطقه شیراز، مشهد و کرمان، نشریه جغرافیا و برنامه­ریزی، دوره 17، شماره 43، صص 40-21.
- چوبدار، ا، 1386، پیش­بینی ورودی ماهانه دریاچه سد شهید مدنی تبریز (ونیار) براساس تأثیر عناصر اقلیمی با استفاده از شبکه­های عصبی مصنوعی، رساله دکتری ­تخصصی جغرافیای­طبیعی(کلیماتولوژی)، دانشگاه تبریز.
- حسینی، س ا.، 1388، تحلیل و برآورد دماهای حداکثر شهرستان اردبیل با استفاده از مدل تئوری شبکه­های عصبی مصنوعی، پایان­نامه کارشناسی ارشد جغرافیای طبیعی (اقلیم­شناسی)، دانشکده ادبیات و علوم انسانی، دانشگاه محقق اردبیلی، 95 ص.
- حیدری، ا.، 1392، تحلیل عملکرد شبکه های عصبی مصنوعی(ANN) و مدل های رگرسیونی در پیش بینی و برآورد رسوب و فرسایش مطالعه موردی: حوضه رودخانه کر- چمریز، پایان­نامه کارشناسی ارشد ژئومورفولوژی گروه جغرافیای طبیعی، دانشگاه محقق اردبیلی، 132ص.
- خلیلی، ن.، خداشناس، س ر.، داوری، ک.، 1385، پیش­بینی بارش با استفاده از شبکه­های عصبی مصنوعی، دومین کنفرانس مدیریت منابع آب، مشهد، 10 ص.
- دستورانی، م ت.، عظیمی­فشی، خ.، طالبی، ع.، اختصاص، م ر.، 1391، برآورد رسوبات معلق با استفاده از شبکه عصبی مصنوعی مطالعه موردی: حوزه آبخیز جامیشان استان کرمانشاه، پژوهشنامهمدیریتحوزهآبخیز، سال 3، شماره 6، صص 74-61.
- دهقانی، ا.، ملک محمدی، م.، هزارجریبی، ا.، 1389، تخمین رسوب معلق رودخانه بهشت آباد با استفاده از شبکه عصبی مصنوعی، مجلهپژوهش­هایحفاظتآبوخاک، جلد 17، شماره 1، صص 168-159.
- دولتخواه، پ.، 1392. برآورد فرسایش و رسوب حوضه­ی رود ارس با استفاده از شبکه­های عصبی مصنوعی، پایان­نامه کارشناسی ارشد ژئومورفولوژی، استاد راهنما: فریبا اسفندیاری، دانشکده علوم انسانی، دانشگاه آزاد واحد اهر.
- رحمتی، ح.، امامقلی­زاده، ص.، انصاری، ح.، 1396، برآورد رواناب حوضه بار اریه با استفاده از مدل­های WetSpa و شبکه عصبی مصنوعی، نشریه جغرافیا و برنامه­ریزی، دوره 21، شماره 62، صص 115-95.
- طلوعی، س.، حسین زاده دلیر، ع.، قربانی، م ع.، فاخریفرد، الف.، سلماسی، ف.، 1390، تخمین زمانی و مکانی بار معلق رودخانه آجی چای با استفاده از زمین آمار و شبکه عصبی مصنوعی، نشریه دانش آب و خاک، جلد 21، شماره 4، صص 104-93.
- عساکره، ح.، صیادی، ف.، 1396. تحلیل و پیش­بینی روزهای خشک با استفاده از مدل شبکه عصبی مصنوعی (مطالعه موردی: ایستگاه تهران)، نشریه جغرافیا و برنامه­ریزی، دوره 21، شماره 60، صص 167-161.
- فتحی، پ.، محمدی، ی.، همایی، م.، 1388، مدل­سازی هوشمند سری زمانی آورد ماهانه ورودی به سد وحدت سنندج، مجله آب و خاک (علوم و صنایع کشاورزی)، جلد 23، شماره 1، صص 220-209.
- مقصودی، م.، یمانی، م.، سالاری، م.، 1387، برآورد فرسایش و رسوب از طریق ارزیابی متغیرهای تأثیرگذار در حوضه­ی آبخیز وزنه با استفاده از GIS، فصلنامه جغرافیا و توسعه، شماره 16، صص 134-119.
- منهاج، م ب.، 1384، مبانی شبکه­های عصبی(هوش محاسباتی)، مرکز نشر دانشگاه صنعتی امیر کبیر، چاپ سوم، جلد 1، 712ص.
- ولی، ع.، معیری، م.، رامشت، م ح.، موحدی­نیا، ن.، 1389، تحلیل مقایسه عملکرد شبکه­های عصبی مصنوعی و مدل­های رگرسیونی پیش­بینی رسوب معلق مطالعه موردی: حوضه آبخیز اسکندری واقع در حوضه آبریز زاینده رود، پژوهش­های جغرافیای طبیعی، شماره 71، صص 30-21.
 
- Abbasi Shoshtari, S. and M. Kashefipoor, 2006, Estimation of suspended sediment using artificial neural networks (Case study: Ahwaz station), 7th international river engineering conference, Ahwaz, Iran. 813 pp.
- Ardiclioglo, M., O. Kisi and T. Haktanir, 2007, Suspended sediment prediction using two different feed-forward back-propagation algorithms, Canadian Journal of Civil Engineering, 34(1): 120-125.
- Bhattacharya, B., Price, R.K., Solomatine, D.P, 2005, Data-driven modeling in the context of sediment transport, Physics and Chemistry of the Earth 30, 297–302.
- Cigizoglu, H.K.,Alp,M, 2006, Generalized regression neural network in modeling river sediment yield, J. Advance in Engineering Software.37:63-68
- Conrads, P.A., Roehle, E.A, 1999, Comparing Physics- Based and Neural Network Mo Simulating Salinity, Temperature and Dissolved in a Complex, Tidally Affected River Basin, Proceeding of the South Carolina Environmental Conferens, 1-15.
- Firat, M. and M. Gunger, 2009, Generalized regression neural networks and feed forward neural networks for prediction of scour depth around bridge piers, Advance in Engineering Software, 40: 731-737.
- Fulop, I.A., Jozsa, J., Karamer, T, 1998, Aneural network application in estimating wind induced shallow lak motion, Hydroinformatics 98, 2: 753-757.
- Hamidi, N. and N. Kayaalp, 2008, Estimation of the amount of suspended sediment in the Tigris river using artificial neural networks. Clean, 36(4): 380- 386.
- Melesse, A.M., S. Ahmad, M.E. McClain, X. Wang and Y.H. Lim, 2011, Suspended sediment load prediction of river systems: An artificial neural network approach, Agricultural Water Management, 98(5): 855-866.
- Ranjithan, J., Eheart, J., Garrett, J.H, 1995, Application of neural network in groundwater remediation under condition of uncertainty, New Uncertainty conceptsion, Hydrology and Water Resources, 133-140.