fa مدل سازی تخمین میزان رسوب رودخانه به کمک روش شبکه عصبی مصنوعی (رودخانه ونایی) ژئومورفولوژی Geomorphology گزارش مورد case report <div style="text-align: justify;">رسوبات رودخانه ای به دو صورت منتقل میشوند: یا این مواد درون جریان آب غوطه ور هستند و همراه با آب در حرکت می باشند که به آنها مواد رسوبی معلق گفته میشود و میزان مواد رسوبی معلق را که در واحد زمان از یک مقطع رودخانه عبور کند، بار معلق مینامند. منطقه مورد مطالعه در این پژوهش حوضه آبریز رودخانه ونایی است. این منطقه در شهرستان بروجرد، در استان لرستان در غرب ایران واقع شده است، پژوهش حاضرازنوع کاربردی است. بدین صورت که، ابتدا مشخصات زیرحوضه های این رودخانه استخراج شده است این مشخصات شامل مشخصات فیزیکی زیرحوضه ها از جمله مساحت، محیط و طول آبراهه ها و مشخصات مربوط به دبی رودخانه و میزان رسوب آن است. در ادامه با روش های رگرسیون خطی چند متغیره، شبکه عصبی پیش خور چندلایه (<span dir="LTR">MLP</span>) به تخمین بار رسوب پرداخته شد. پس از محاسبه شاخص های <span dir="LTR">RMSE</span> و <span dir="LTR">MAE</span> با توجه به این امر که هرچقدر میزان این شاخص ها کمتر باشد مقدار پیش بینی شده به مقادیر واقعی نزدیکتر است بنابراین باتوجه به شواهد حاصله مدل شبکه عصبی مصنوعی <span dir="LTR">MLP</span> دقت بهتری را نسبت به مدل دیگر در تخمین میزان رسوب منطقه نشان میدهد. از سوی دیگر با توجه به مقدار شاخص <span dir="LTR">R2</span> که برای دومدل محاسبه شده است دقت تخمین مدل به مقدار90.47 برای مدل <span dir="LTR">MLP</span> محاسبه شده است، مقدار <span dir="LTR">R2</span> برای این مدل برابر 0.89 است. پس از مدل شبکه عصبی مصنوعی <span dir="LTR">MLP</span>. مدل رگرسیون خطی چند متغیره با مقدار <span dir="LTR">R2</span> برابر با 0.353 قرار دارد. و این نشان دهنده ی دقت سه برابری مدل <span dir="LTR">&nbsp;MLP</span>نسبت به مدل رگرسیون می باشد مدل رگرسیون خطی نیز به علت این امر که تنها روابط خطی بین متغیر ها را در نظر می&rlm;گیرد بیشترین میزان خطا را دارد.</div> &nbsp; <p style="margin: 0cm 0cm 8pt; text-align: justify; line-height: normal;"><span style="font-family:Times New Roman;"><span new="" times=""><font color="#000000" size="3">The purpose of this study was to estimate the amount of sediment of Vanai River in Borujerd. In this research, the characteristics of the sub-basins of this river have been extracted first. These specifications include the physical characteristics of the sub-basins, including the area, the environment and length of the waterways, and the characteristics of the river flow, and its sediment content. In the following, multivariate linear regression, multilevel prefabricated neural network (MLP) and radial function-based neural network (RBF) models are used to model sediment estimation. After estimating the model, the mean square error index (RMSE) was used to compare the models and select the best model. Evidence has shown that initially the MLP&#39;s neural network model had the best estimate with the lowest error rate (90.44) and then the RBF model (151.44) among the three models. The linear regression model has the highest error rate because only linear relationships between variables are considered.</font></span></span></p> ونایی, شبکه عصبی, تخمین رسوب, رگرسیون خطی, MLP Vanaiو, Neural Network, Sediment Estimation, Linear Regression, MLP, RBF 41 56 http://jgs.khu.ac.ir/browse.php?a_code=A-10-600-1&slc_lang=fa&sid=1 Dariush Abolfathi داریوش ابوالفتحی dariushablf@yahoo.com 100319475328460016852 100319475328460016852 No university of Mohaghagh Ardebili دانشگاه محقق اردبیلی Aghil Madadi عقیل مددی aghil48madadi@yahoo.com 100319475328460016853 100319475328460016853 Yes university of Mohaghagh Ardebili دانشگاه محقق اردبیلی Sayyad Asghari صیاد اصغری sayyad.sasghari21@gmail.com 100319475328460016854 100319475328460016854 No university of Mohaghagh Ardebili دانشگاه محقق اردبیلی