ارزیابی میزان برآورد رسوب با بهره گیری از روش منحنی سنجه ومقایسه نتایج با روش های رگرسیونی و شبکه عصبی مصنوعی (مطالعه موردی :رودخانه بابل رود-استان مازندران)

علوم و تکنولوژی محیط زیست، دورهبیست و دوم، شماره یازده، بهمن ماه 98

ارزیابی میزان برآورد رسوب با بهره گیری از روش منحنی سنجه ومقایسه نتایج

 با روش های رگرسیونی و شبکه عصبی مصنوعی

(مطالعه موردی :رودخانه  بابل رود-استان مازندران)

علیرضا مردوخ پور[1]   

Alireza.mardookhpour@yahoo.com

حسین جاماسبی[2]

امید علیپور[3]

چکیده

زمینه و هدف: در تحقیق حاضر، هدف مقایسه تخمین بار رسوب معلق رودخانه بابلرود با استفاده از شبکه عصبی مصنوعی ، روش منحنی سنجه، و روش رگرسیون  می باشد.

روش بررسی: ورودی های مدل شامل دبی و خروجی مدل غلظت رسوب در گام زمانی بوده است. ورودی و خروجی رودخانه در دوره (1392-1359) دارای روند مثبت بوده و 75 درصد داده ها جهت آموزش و 25 درصد داده ها جهت آزمون شبکه مورد استفاده قرار گرفت. برای آموزش شبکه ابتدا تعدادی از داده ها که معرف شرایط مساله باشد را برای آموزش انتخاب کرده و بقیه داده ها جهت آزمون عملکرد شبکه آموزش دیده،به کار می رود.

یافته ها: نتایج بدست آمده نشان می دهند که غلظت بار معلق رسوب حاصل از مدل های شبکه عصبی مصنوعی به داده های واقعی غلظت رسوب نزدیک تر هستند و ضریب همبستگی حاصل از شبکه عصبی مصنوعی معادل8/92 درصد می باشد. این در حالی است که ضریب همبستگی برای مدل های منحنی سنجه معادل1/87  درصد و روش رگرسیون آماری حداکثر معادل 90 درصدمی باشد.  

بحث و نتیجه گیری: سیستم شبکه عصبی مصنوعی نتایج و کارایی بهتری در پیش بینی بار معلق رسوب دارد و کارایی و انعطاف پذیری مدل شبکه عصبی مصنوعی در پیش بینی میزان رسوبات معلق رودخانه نسبت به مدل های آماری و منحنی سنجه نشان داده شده است.

واژه های کلیدی: رسوب ، منحنی سنجه، رگرسیون، شبکه عصبی، رودخانه بابل رود

Evaluation of Suspended Sediment Load by Sediment Rating Curves and Comparing with Artificial Neural Network and Regression Methods (Case study: Babolrud River Mazandaran Province)

Alireza Mardookhpour [4]^*

Alireza.mardookhpour@yahoo.com

Hosein jamasbi [5]

Omid Alipour [6]

Abstract

Background and Objective: In this research the object is prediction of suspended sediment load by and artificial neural network (ANN), Sediment Rating Curves (SRC) and regression methodfor BabolrudRiver in Mazandaran province.

Method: The inputs conclude discharge and the output is sediments concentration in time series. The input and output of river have positive procedure for (1979-2013) and 75% of data utilized for training and 25% for tests. For training the network, data that recognize issue conditions were selected and some data for testing,

Findings: The results show the concentration of sediment suspended load derived artificial neural network and is close together and regression coefficient is 92.8%, while regression coefficient is 83% for sediment rating curves and 90% for statistical method respectively.

Discussion and Conclusion: In conclusion, artificial neural network (ANN) has more workability and flexibility for prediction of suspended sediment load to sediment rating curves and statistical methods.

Keywords: Sediment, sediment rating curves, regression, artificial neural network, BabolrudRiver.

مقدمه

انتقـال رسـوب و رسـوب گـذاری، پیامدهایی چون ایجاد جزایر رسوبی در مسیر رودخانه و در نتیجه کاهش ظرفیت انتقال جریان های سیلابی، کاهش عمر مفید سـدها و ظرفیت ذخیره مخازن، خوردگی تأسیسات سازه های رودخانه ای و وارد شدن خسارات به ابنیه آبی و مزارع، رسوب گذاری در کف کانال و بسیاری مشکلات دیگر را در بر دارد.برای برآورد بار معلق روش های مختلفی وجود دارد، اما هنوز روش تحلیلی یا تجربی مناسبی که بر اساس آن بتوان به تخمین درستی از میزان رسوبات حمل شده توسط جــریـان دست یـافـت ارایه نشـده است(1). یـکـی از رویکردهای تخمین دبی رسوب، استفاده از مدل های ریاضی است. با توجه به این که معمولاً این مدلها به داده های متنوع هیدرولیکی نیازمند بوده و در اکثر موارد چنین داده هایی به اندازه کافی یافت نمی شوند، محققان روشی موسوم به منحنی سنجه رسوب را پیشنهاد نموده اند (2). دراکثر موارد در این روش ها از رابطه توانی بین دبی جریان و دبی رسوب معلق که به منحنی سنجه رسوب معروف است استفاده می شود. همچنین آنالیز سری های زمانی روی بار معلق رسوب برای یک ایستگاه با ترسیم منحنی بار معلق- دبی جریان صورت می گیرد(3). در روش های فوق نیاز به داده های متنوع هیدرولیکی می باشد که در اکثر موارد موجود نمی باشند. از آنجا که معادلات موجود بر مبنای شرایط اقلیمی یا فیزیکی منطقه مورد مطالعه است، استفاده از منحنی سنجه برای استفاده از تعیین مقدار رسوب در یک حوضه آبریز نیاز به واسنجی دارد(4). مطالعات اخیر حاکی از آن است که شبکه عصبی مصـنوعی ابـزاری قدرتمند و دقیق در مورد مسایل غیرخطی و پیچیده از جمله پدیده رسوب مـی باشـد(5). سیستم شبکه عصبی مصنوعی با تکیه بـر داده ها و قابلیت انعطاف پذیری بالا بـا برقـراری اوزان مختلـف بـه ارتباطات عصبی در جریان فرآیند یادگیری قادراسـت جواب گـوی مسایل مبهم و پیچیده باشـد(6). در این زمینه برخی محققین اقدام به بـرآورد بـار معلـق در رودخانـه ها بـا اسـتفاده از روش شبکه عصبی  و منحنـی سنجه نمـودند(7) . نتـایج تحقیقات نشـان داد کـه مـدل شـبکه هـای عصـبی مصنوعی قادر به ارایه اطلاعاتی حتـی در مـورد سـاختار وقـایع هم چون پدیده پسـماند در رابطـه دبـی و رسـوب تحـت تـأثیر شرایط پیشین است(8). .برخی محققین با طراحی یک شـبکه عصـبی سـه لایـه براساس خصوصیات فیزیوگرافی دو حوزه هیــدروگراف واحد جریــان را شبیه ســازی نمودنــد و ضــریب تشـخیص بـالاتر ایـن روش را عامـل برتـری آن نسـبت بـه روش معمول محاسبه ابعاد هیدروگراف برشمردند و ضمن معرفـی روش شبکه عصبی مصنوعی به عنوان روش مطلوب به ویژگی هـای آن از جمله قابلیـت بـه کـارگیری داده هـای ژئومورفولـوژیکی حـوزه در برآورد جریان مستقیم آن اشاره نمودند(9). صادقی و همکاران(10) با بـه کـارگیری دو الگـوریتم آمـوزش برای رسوب حوزه آبریز و مقایسه نتایج به دست آمده با روش هـای متداول منحنی سنجه رسـوب و رگرسـیون خطـی چنـد متغیـره دریافتند که به کارگیری شـبکه هـای عصـبی مصـنوعی در زمینـه رسوب کاملاً بر روش­های مـذکور برتـری دارد. واروانی و همکاران(11)

 با بررسی 10 داده ورودی به این نتیجه رسیدند که 3 داده دبی، بارندگی روز قبل و عرض سطح آب بیش از بقیه پارامترها در میزان بار معلق مؤثرند. هنگامی که متغیرهای ورودی و تأثیر تأخیرزمـانی آن ها به طور صحیح به عنوان متغیرهای ورودی وارد مـدل شـوند، شبکه عصبی دقت نسبتاً بالاتری را در مقایسه با روش های رگرسـیونی چندمتغیره داشته و نیز این روش مقـادیر دبـی حـد (حـداکثر و حداقل) را نزدیک تر به واقعیت برآورد می کند(12).

 نگاهی به مراجع نشان می دهد که بررسی های زیادی در خصوص اثر روند افزایشی یا کاهشی جریان در دبی رسوب انجام نشده، بنابراین در این پژوهش علاوه بر داده های متناظر دبی جریان و دبی رسوب، تاثیر روند افزایش یا کاهش در شاخه های هیدروگراف بر میزان رسوب معلق دیده شده است. در این پژوهش همچنین با توجه به مزایای شبکه های عصبی مصنوعی و نیز عملکرد مناسب آن در بسیاری از موارد در مهندسی منابع آب، قابلیت روش هوشمند شبکه عصبی مصنوعی در مقایسه با روش معادله سنجه رسوب با و بدون دسته بندی داده ا مورد ارزیابی قرار می گیرد.

مواد و روش ها

منطقه مورد مطالعه: حوضه آبریز بابل رود در جنوب شهرستان بابل واقع در استان مازندران، با مساحتی بالغ بر 51725 هکتار، بین 52 درجه و 38 دقیقه تا 52 درجه و 55 دقیقه طول شرقی و 36 درجه و 2دقیقه تا 36 درجه و 22 دقیقه عرض شمالی

قرار گرفته است. حداقل ارتفاع حوزه 55متر و حداکثر آن 3317 متر است. متوسط بارندگی سالانه حوضه معادل 8/821 میلی مترمی باشد موقعیت منطقه مورد مطالعه در شکل(1) و برخی نقشه های ارایه شده برای منطقه مورد مطالعه شامل نقشه های شیب، جهت، DEM  و توپوگرافی در شکل(2) نشان داده شده است. در جدول(1) خصوصیات طبیعی حوضه آبخیز رودخانه بابل رود ارایه شده است.

شکل1- موقعیت منطقه مورد مطالعه در استان مازندران

Figure 1. Location of area in Mazandaran province

شکل2- اشکال مختلف منطقه مورد مطالعه: a :نقشه شیب، : b نقشه جهت، c :نقشه DEM   :d نقشه توپوگرافی

Figure 2. Various shapes of area a: slope map b: direction map c:DEM map  d: topography map

جدول 1- خصوصیات طبیعی حوضه آبخیز رودخانه بابل رود

Table1. Natural characteristics of Babolroud river watershed

مدل سازی داده ها: در این پژوهش، ابتدا داده های روزانه دبی جریان و غلظت رسوب شش ایستگاه هیدرومتری واقع بر رودخانه مورد مطالعه از شرکت آب منطقه ای مازندران جمع آوری و پس از بررسی، تنها ایستگاه قرآن تالار دارای طول دوره آماری 33 ساله، از سال آبی 60-1359 لغایت 92-1391 بوده است که مناسب تشخیص داده شد. قبل از هرگونه اقدام برای تجزیـه و تحلیـل داده هـا، بـه منظور اطمینان از کیفیت، همگنی و کامـل بـودن سـری آماری، از ضریب همبستگی بـین ایسـتگاه هـای

هم جـوار اسـتفاده گردید. درجدول(2) مقادیر آماری داده های دبی رودخانه و دبی رسوب ارایه شده است. ابتداآزمون حذف داده ها به کمک محاسبه شاخص باقی مانده استیودنت (R Student) در نرم افزار SPSS انجام گرفت که درنتیجه آن داده های پرت شناسایی وحذف گردیدند .جهت نرمال سازی داده ها ازروش لگاریتم گیری داده هااستفاده گردید.  سپس مجموعه داده هابه دوگروه آموزش وآزمون تقسیم شدند.تعداد 75 درصدداده ها برای آموزش یاواسنجی و 25 درصدداده ها برای صحت سنجی یاآزمون مدل هااختصاص یافت.

جدول 2- مشخصات آماری داده های مورد بررسی اخذ شده از ایستگاه بابل رود

Table 2. Statistical specifications of data from Babolroud station

بعد از طراحی مدل ها با داده های آزمون، مدل ها مورد ارزیابی قرار گرفتند. از آنجـایی کـه در روش هوش مصنوعی، در صورت وجود اخـتلاف زیـاد دامنه تغییـرات داده هـای آمـوزش بـا داده هـای آزمـون، پیش بینی ضعیف خواهد بود، بدین منظور برای گـزینش آن ها سعی شـد داده هـا بـه شـیوه سـعی و خطـا طـوری انتخاب شوند که از نظـر معیارهـای آمـاری، میـانگین و انحراف معیار همانند یکدیگر باشـند و مقـادیر حـدی در دسته آموزش واقع گردند.

ساخت مدل به کمک منحنی سنجه­ی رسوب: برای ساخت مدل به کمک روش منحنی سنجه­ی رسوب داده­های مربوط به بخش قبل مورد استفاده قرار گرفتند. بدین ترتیب که ابتدا با کمک داده­های دبی و بار معلق مربوط به این بخش معادله­ی حاکم بر آن ها به صورت توانی یافته شد. این معادله در رابطه­ی (1) دیده می­شود:

 (1)                          

دررابطه(1)، y عبارتست از مقدار بار معلق و x عبارتست از دبی در ایستگاه قرآن تالار. منحنی لگاریتمی این بین داده­ها در شکل (3) قابل مشاهده است.

ساخت مدل بر اساس شبکه­ عصبی مصنوعی: ساختار نهایی شبکه عصبی مورد استفاده برای این تحقیق نوع پرسپترون چندلایه و متد آموزشی پس انتشار خطا انتخاب گردید . شبکه های عصبی مصنوعی اساسا توسط یک سری محدود از داده های واقعی آموزش می بینند و چنانچه پارامترهای موثر بر پدیده مورد بررسی به صورت صحیح انتخاب و به شبکه داده شوند می توان انتظار داشت که جواب های منطقی از شبکه دریافت نمود یک شبکه عصبی شامل قسمت های زیر می باشد :

شکل3- ساخت مدل به کمک منحنی سنجه­ی رسوب در ایستگاه قران تالار

Figure 3. Making model by utilizing sediment rating curves at Ghorantalar station

لایه ورودی: در این لایه، ورودی ها به دنیای خارج متصل شده اند. این لایه اساسا یک لایه کشنده می باشد که در آن ورودی ها پس از دریافت به گونه ای ساده به لایه بعدی شبکه متصل شده اند. در این لایه هیچ پردازشی صورت نمی گیرد.

لایه پنهان: لایه ای است که در آن پردازش انجام می شود. شبکه می تواند یک یا بیش تر از یک لایه میانی داشته باشد. تعداد این لایه ها و تعداد گره ها در هر لایه توسط طراح و اغلب طی فرآیند آزمون و خطا بدست می آید.

لایه خروجی: در این لایه، خروجی ها به دنیای خارج متصل می­شوند و در آن بردارهای خروجی، نگاشت و استقرار می یابند.

شکل4- ساختمان شبکه عصبی استفاده شده در تحقیق

Figure 4. Artificial neural network construction used in research

برای کار با نرم افزار MATLAB نیاز است تا داده ها  استاندارد شود یعنی تبدیل داده ها به اعدادی بین 0و1 است. نوع شبکه­ی NEWFF بوده و تابع آموزشی مارکوات- لونبرگ نتایج استفاده شد. نوع تابع انتقال چه در لایه­ی پنهان و چه در لایه­ی خروجی، خطی دارای نتایج بهینه بود.

معیارهای آماری: مدل های آماری طراحی شده به دو شیوه رگرسیون ساده و رگرسیون چند متغیره استفاده گردید. در رگرسیون ساده بهترین رابطه بردازش بین دبی لحظه ای و رسوب لحظه ای از بین روابط خطی، معکوس، نمایی، الگوریتمی، درجه دو، درجه سه و توانی مبنای تصمیم گیری قرار گرفته استاین روش به روش منحنی سنجه رسوب^[7] یا SRC معروف است. نوع دوم مدل آماری در نتیجه تأثیر پارامترهای ژئوموفولوژی بر روی دبی لحظه ای طراحی گردیده است و ارتباط غیر خطی بین این متغیرهای مستقل با رسوب لحظه ای محاسبه و با استفاده از آنالیز رگرسیون از بین
پارامترهای به کار گرفته شده، پارامترهای تأثیر گذار انتخاب شده است. این روش به اختصار به روش مارس^[8]MARS معروف است. در این روش بردار دبی با استفاده از به توان رسانی پارامترهای ژئوموفولوژی به تعداد زیادی متغیر مستقل تبدیل شده سپس با استفاده از آنالیز رگرسیون چند متغیره به کمک روش گام به گام پارامترهای مدل تعیین شده و پارامترهای اضافی یا بی تأثیر حذف می شود. برای ارزیابی نتایج عملکرد مدل های طراحی شده از مجذور میانگین مربعات خطا^[9]و ضریب تبیین^[10] بین بردار مشاهده شده و بردار پیش بینی شده بهره گیری شده است (جدول 3).

جدول3- معیارهای ارزیابی کارایی مدل ها

Table 3. Evaluation criteria’s for model workability

در روابط فوق ،  و n به ترتیب مقدار هدف (مشاهده­واقعی)، خروجی مدل و تعداد مشاهدات هستند.

نتایج و بحث: نتایج آزمون بهترین رابطه بردازش در روش SRC به شرح جدول (4) می باشد. در این جداول نتایج انواع مدل های ساده بردازش بین دبی لحظه ای و رسوب لحظه ای ارایه شده است. از مقایسه ضرایب تبیین و مجذور میانگین مربعات خطا بهترین تابع بردازش بین این دو متغیر از نوع تابع توانی انتخاب شده است. شکل کلی آن به صورت رابطه (2) می باشد.

 (2)                          

دررابطه(2)، a,b ضرایب رابطه، R میزان رواناب لحظه ای، S میزان رسوب لحظه ای می باشد.نتایج آنالیز رگرسیون چند متغیره ژئومورفولوژیکی و انتخاب مدل مناسب MARS به شرح جدول (5) است. در این جدول نتایج انتخاب نهایی متغیرهای مدل تبیین شده است. مشخصات ارزش یابی مدل نهایی شده به کمک آماره های ضریب همبستگی، ضریب تبیین، ضریب تبیین تعدیل شده و مجذور میانگین مربعات خطا گزارش شده است. در این جداول همچنین ضرایب لازم برای بازسازی آن محاسبه و گزارش شده است.

جدول4- خلاصه مدل های مختلف جهت انتخاب مدل مناسب و برآورد پارامترهای مدل ها

Table 4. Various models abstracted for selecting suitable model and evaluating model parameters

نتایج آنالیز رگرسیون چند متغیره ژئومورفولوژیکی و انتخاب مدل مناسب MARS به شرح جدول (5) است. در این جدول نتایج انتخاب نهایی متغیرهای مدل تبیین شده است. مشخصات ارزش یابی مدل نهایی شده به کمک آماره های ضریب همبستگی، ضریب تبیین، ضریب تبیین تعدیل شده و مجذور میانگین مربعات خطا گزارش شده است. در این جداول همچنین ضرایب لازم برای بازسازی آن محاسبه و گزارش شده است.

جدول 5 - نتایج ارزیابی مدل و ضرایب مدل نهایی شده MARS

Table 5. Results of model and final index of MARS

شبکه های عصبی مصنوعی طراحی و انتخاب شده، پس از مرحله آزمون و خطا به کمک تابع عملکرد خطا نهایی شده اند. درشکل (5) شبکه طراحی شده مدلNGANN  که یک لایه مخفی با 2 نرون در این لایه را که با اوزان مختلف بهم متصل شده اند را نشان می دهد. شکل (6) شبکه عصبی روش GANN را به تصویر کشیده است. ساختار و توابع عملکردی روش های NGANN و GANN ثابت فرض شده است تا بتوان نتایج حاصل از مدل سازی را به روش به کار گرفته و نه به تکنیک به کار رفته شده نسبت داد.

شکل5- ساختار عصبی مصنوعی طراحی شده بر اساس دبی جریان و دبی رسوب

Figure 5. Artificial neural network constructed based on flow and sediment discharge

شکل6- ساختار شبکه عصبی مصنوعی طراحی شده بر اساس پارامترهای ژئومورفولوژیک و دبی جریان و رسوب.

Figure 5.Artificial neural network constructed based on geomorphologic and flow and sediment discharge parameters

نتایج مدل های رگرسیونی پیش بینی میزان رسوب لحظه ای بر حسب تن در روز در جدول (5) ارایه شده است. بهترین معادله برازش بین میزان دبی و رسوب لحظه ای از بین مدل های خطی، لگاریتمی، درجه 2، درجه 3، معکوس و توانی برای داده های آموزش، رابطه توانی با ضریب تبیین 860/0 حاصل شده است.در شکل های (7)،(8) و (9) مقایسه دبی پیش بینی شده توسط مدل عددی و شبکه عصبی مصنوعی ارائه شده اند. 

شکل7- مقایسه دبی پیش بینی شده توسط مدل عددی و شبکه عصبی برای داده های آموزش

Figure 7. Comparison of predicted model by numerical model and artificial neural network for training data

شکل8-مقایسه دبی پیشبینی شده توسط مدل عددی وشبکه عصبی برای داده های صحت سنجی

Figure 8. Comparison of predicted model by numerical model and artificial neural network for correctness data

شکل9-مقایسه دبی پیشبینی شده توسط مدل عددی وشبکه عصبی برای داده های آزمون

Figure 9. Comparison of predicted model by numerical model and artificial neural network for testing data

نتایج حاصل از مدل سازی آماری و شبکه های عصبی مصنوعی و عملکرد هر مدل در جدول (7) ارایه شده است. مجذور میانگین مربعات خطا و میزان ضریب تبیین و بردارهای ورودی هر مدل به صورت جداگانه بیان شده است. ارزیابی عملکرد مدل های مختلف به کمک فاکتورهای RMSE و  امکان پذیر است. این فاکتورها زمانی می توانند ارزش رجحانی مدل ها را تعیین نمایند که بین مقادیر مشاهده شده و مقادیر پیش بینی شده محاسبه شوند. توجه به مقادیر RMSE و  مزیت نسبی مدل ها را نشان می دهد.

جدول7-  نتایج ارزیابی مدل های مختلف طراحی شده برای برآورد رسوب معلق جریان حوضه رودخانه بابل رود

Table 7. Results of evolution of various models for prediction of suspended sediment load for Babolroud river watershed 

بیش ترین ضریب تبیین معنی دار و کمترین میزان خطا، بهترین روش را معرفی می نماید بنابراین، ارزش رحجانی روش ها به ترتیب GANN، NGANN، MARS و SRC با میزان ضرایب تبیین 86/0، 83/0، 81/0 و 76/0 و مقادیر خطای برآورد 815/1، 031/2، 142/2 و 395/2 تعیین می گردد. شکل (10) ارتباط بین مقادیر مشاهده شده و مقادیر پیش بینی شده در مدل های چهارگانه تحقیق برای داده های آزمون بر اساس ضریب تبیین را نشان می دهد. در مقایسه کارآیی این مدل ها هر چه نتایج پیش بینی بیش تر منطبق بر نتایج مشاهده شده باشد مدل از کارآیی مطلوب تری برخوردار است.

شکل 10- نمودارهای چهارگانه ارتباط بین مقادیر مشاهده شده و پیش بینی شده میزان رسوب روزانه بر اساس داده های آزمون الف) روش PR، ب) روش MARS، ج) روش ANN و د) روش GANN.

Figure 10.Field and predicted data connection diagrams of daily sediment load

based on testing data A:PR method  B:MARS method  C:ANN method  D:GANN method

نتیجه

مقایسه نتایج روش های آماری و نتایج شبکه های عصبی ارزش رحجان مدل های شبکه عصبی را در برآورد رسوب لحظه ای روزانه بیان می کند. علت تفاوت بین عملکرد بهتر شبکه های عصبی مصنوعی در مقایسه با روش های آماری را می توان در قابلیت تخمین و پیش بینی شبکه های عصبی مصنوعی برای تقریب غیر خطی با حجم کم داده ها جستجو نمود. این در حالی است که عملکرد و دقت روش های رگرسیونی به شدت از حجم نمونه تبعیت می کند و حجم کم نمونه ها می تواند عامل محدودیت مدل های آماری گردد. لیکن در مدل های طراحی شده شبکه عصبی مصنوعی کم بودن تعداد نمونه ها محدودیت چشم گیری ایجاد نکرده است. نتیجه گیری نهایی تحقیق معرفی و ارائه مدل طراحی شده شبکه عصبی مصنوعی به کمک پارامترهای ژئومورفولوژیکی حوضه آبخیز رودخانه مزبور است. این مدل از نوع شبکه پیش خور با الگوریتم پس انتشار خطا با یک لایه مخفی و 2 نرون در لایه مخفی بوده و قابلیت پیش بینی و شبیه سازی بار رسوب جریان را با کمترین محدودیت دارا است.

Reference

1. Ahmadi, M. (2012). Estimating sediment of rivers by RBF and MLP. 11^th hydraulic conference in Iran, Urmia University, IRAN (In Persion).
2. Amutha, R., Porchelvan, P.2011. Seasonal Prediction of Ground Water Levels Using Anfis and Radial Basis Neural Network, International Journal of Geology, Earth and Environmental Sciences .7(3):pp. 34-56
3. Bhattacharya, B., Price R.K.  And Solomatine. D.P.2007.Machine learning approach to modeling sediment transport, Journal of Hydraulic Engineering, 133(4): pp.440-450.
4. Hyuk, P., Jang, K., Zhiqing, Kwon. Hyuk, J.and Lee, J.2009. Prediction debrid Yield from burned watershed: comparison of statistical and artificial neural network models, Journal of American Water resources association, 45, (1).
5. Issazadeh, L.Govay, B.2014.Reservoir Sediment Prediction in Duhok Dam Using Artificial Neural Network and Conventional Methods. Indian Journal of Fundamental and Applied Life Sciences.4: pp.56-67.
6. Mirbagheri, S., and Rajaei, T. 2006. Improve the predict and estimating river suspended load with artificial neoural networks. P 435-443, In: The 7rd Civil Engineering National Conference. Tehran.
7. Najafinejhad, A., Babaei, A., Saniei, E., and Mahmoodi, O. 2010. Comparision of monthly and seasonal suspended load rating curves in several Golestan province rivers. In: The 4rd National Seminar on Erosion and Sediment. Noor, Iran, 6p.
8. Rajaee,T.,V.Nourani,M. and Kisi,.O. 2011. River suspended sediment load prediction: Application of ANN and wavelet conjunction model, Hydrologic Engineering, 16(8):pp.613-627.
9. Rezaei, M., Fereydooni, M.2015.comparative evaluation of adaptive neuro-fuzzy inference system (Anfis) and artificial neural network (ANN) in simulation of suspended sediment load. Indian Journal of Fundamental and Applied Life Sciences.6:pp.78-86.
10. Sadeghi, S.H.R., Saeedi, P., Raeesi, M.B., and Noor, H. 2010. Operation of median groups method in improvement of monthly sediment rating relations. In: The 4th National Seminar on Erosion and Sediment. Noor, Iran, 6p.
11. Varvani, J., Najafinejhad, A., and Mirmoeeni, A. 2008. Correction of sediment rating curve with minimum variance unbiased estimator method. J. Agric. Sci. and Natur. Resour. 15: 1.123-131.
12. Zhou, Y., Lu, X.X., Huang, Y., Zhu, Y.M., 2007. Suspended sediment flux modeling with artificial neural network: An example of the Longchuanjiang River in the upper Yangtze catchment, China.Geomorphology84, 111-125.