علوم آب و خاک

از آنجا که توسعه برنامه‌های مهار آب‌های سطحی ملزم به‌دستیابی دقیق رفتارهای جریان و میزان رسوبات آن می‌باشد لذا کمبود ایستگاه‌های اندازه‌گیری رسوب و فقدان آمار کامل رسوب، از جمله دلایل ارزیابی صحیح در شبیه‌سازی رفتار جریان‌ها و رسوبات آنهاست. از جمله مواردی که در یک حوزه آبخیز از هم تأثیر می‌پذیرند خصوصیات مورفولوژیکی حوزه و بار رسوبی جریان‌های آن می‌باشد. لذا آگاهی از میزان این ارتباط به‌منظور مدیریت و ساماندهی جریان در پایین‌دست حوزه حائز اهمیت می‌باشد. در تحقیق حاضر با استفاده از شبکه عصبی مصنوعی و روش‌های رگرسیونی سنجه رسوب براساس داده‌های 136 واقعه دبی جریان و رسوب متناظر آن و همچنین پارامترهای مورفولوژیکی به پیش‌بینی بار رسوبی حوزه باغ عباس اقدام گردیده است. بدین‌منظور در گام نخست برای پیش‌بینی بار رسوب از دو روش مذکور، فقط از داده‌های جریان استفاده گردیده و در گام بعدی خصوصیات مورفولوژیکی حوزه از قبیل ضریب شکل و ضریب فشردگی حوزه به مدل‌ها اضافه شده است. نتایج به‌دست آمده از این تحقیق نشان می‌دهد که با به‌کارگیری شبکه عصبی از نوع پرسپترون چندلایه (MLP) با الگوریتم لونبرگ- مارکوارت و تابع تحریک از نوع تانژانت سیگموید با دو لایه مخفی و 4 نرون در هر لایه، می‌توان با دقت مناسبی میزان دبی بار معلق رسوب را برآورد نمود. همچنین دقت نتایج به‌دست آمده از روش شبکه عصبی مصنوعی به‌مراتب از دقت روش منحنی سنجه بالاتر می‌باشد. در ارزیابی روش‌های شبکه NGANN, GANN و رگرسیونیSRC, MARS ، به‌ترتیب میزان ضریب همبستگی 94/0، 93/0، 767/0 و 766/0 و مجذور میانگین مربعات خطا (RMSE) به‌ترتیب 45/0، 49/0، 3/2 و 3/2 و ضریب نش- ساتکلیف (NS) به‌ترتیب 71/0، 58/0، 27/0 و 23/0 محاسبه گردید. بنابراین کاراترین روش از بین مدل‌های چهارگانه مذکور، شبکه عصبی مصنوعی همراه با داده‌های مورفولوژیکی حوزه (GANN) می‌باشد. ضمناً براساس یافته‌های تحقیق اضافه نمودن پارامترهای ژئومورفولوژیکی در روش سنجه رسوب تأثیر چندانی بر روی کارایی این مدل ندارد.

فرسایش خاک، بی ­شک یکی از مهمترین مسائل و مشکلات موجود در عرصه های طبیعی کشور است و آثار مخربی در اکوسیستم ­های مختلف به جای می­گذارد. با توجه به اینکه محاسبه مقادیر رسوب از طریق ایستگاه های رسوب سنجی و اندازه ­گیری­ های مستقیم فرسایش فرایندی هزینه­ بر و مشکل است، یافتن روش­هایی برای برآورد دقیق میزان رسوبدهی حوضه­ های آبخیز بویژه در مناطق خشک و فراخشک به دلیل شرایط حساس اکولوژیکی ضروری می نماید. یکی از روش هایی که تا به امروز در این مناطق نسبت به سایر روش های برآورد رسوب بیشتر مورد استفاده قرار گرفته است روش های رگرسیونی سنجه رسوب می باشد. لذا در این تحقیق مقادیر رسوب مشاهداتی 48 واقعه (دبی و رسوب متناظر) در یک دوره 23 ساله حوضه فخرآباد- مهریز با مقادیر برآوردی از روش های سنجه چند خطی، حد وسط دسته ­ها، منحنی سنجه حد وسط دسته­ ها با ضریب اصلاحی QMLE، SMEARING و ضریب اصلاحی FAO و همچنین با نتایج حاصل از روش شبکه عصبی مصنوعی (ANN) مورد مقایسه قرار گرفته و صحت هر یک از این روش­ها مورد آزمون قرار گرفت. بررسی حاصل از آزمون های مجذور میانگین مربع خطا ها (RMSE)، ضریب تبیین (R²) و معیار ناش (ME) کارایی بالاتر روش شبکه عصبی (ANN) را نسبت به سایر روش های مذکور نشان دادند. نتایج آزمون­ های مذکور برای روش شبکه عصبی مصنوعی به عنوان روش بهینه به ترتیب 3/203، 86/0 و 66/0 را نشان دادند. نتایج حاصل مبین این است که در استفاده از هر روشی برای برآورد رسوب معلق جریان در مناطق خشک و فراخشک به دلیل ماهیت داده های مشاهداتی و همچنین رژیم خاص جریان ها که اغلب به صورت موقت و فصلی می باشند باید جانب احتیاط را رعایت نمود. در عین حال بررسی نتایج این تحقیق گویای انعطاف­پذیری بالاتر مدل­ های شبکه عصبی مصنوعی است که آنها را به ابزار مناسبی جهت مدلسازی در شرایطی که با فقر داده مواجه هستیم مبدل می سازد.