Comparison of Bayesian Neural Networks and Artificial Neural Network to Estimate Suspended Sediments in the RiverS (Case Study: Simineh Rood)

Subject Areas : environmental management

Mohammad Ali Ghorbani ^{1 *} , Reza Dehghani ²

1 - Associate Professor, Water Engineering Department, University of Tabriz,Tabriz, Iran*(Corresponding author) .
2 - MSC in Agricultural Engineering -Water Resources, Department of Water Resourses, University of Tabriz, Iran

Received: 2014-02-22 Accepted : 2015-05-29 Published : 2017-06-22

Keywords: discharge, Siminehrood, Bayesian Neural Network, Artificial Neural Network,

Abstract :

Background and Purpose: Simulation and evaluation of sediment are important issues in water resources management. Common methods for measuring sediment concentration are generally time consuming and costly and sometimes does not have enough accuracy.  Materials and Methods: In this research, we have tried to evaluate sediment amounts, using bayesian neural network for Simineh-Rood, West Azerbaijan, Iran, and compare it with common artificial neural networks. Monthly river discharge, temperature and total dissolved solids for time period (1354-1383) was used as input and sediment discharge for output. Criteria of correlation coefficient, root mean square error and Nash Sutcliff bias coefficient were used to evaluate and compare the performance of models. Results: The results showed that three models smart estimate sediment discharge with acceptable accuracy, but in terms of accuracy, the bayesian neural network model had the highest correlation coefficient (0.832), minimum root mean square error (0.071ton/day) and the Nash Sutcliff (0.692) and the bias (0.0001) and hence was chosen the prior in the verification stage. Discussion and conclusions: Finally, the results showed that the bayesian neural network has great capability in estimating minimum and maximum sediment discharge values.

References:

1. آوریده، ف.، بنی حبیب، م. ا. و طاهرشمسی، ا. (1380). کاربرد شبکه های عصبی مصنوعی جهت تخمین دبی رسوب رودخانه ها. سومین کنفرانس هیدرولیک ایران، دانشگاه تهران، تهران.


2. طباطبایی،س،ع.دشتی زاده، پ. (1387). معرفی شبکه های عصبی Bayesian وکاربرد آنها در نگهداری پل ها. چهاردهمین کنفرانس دانشجویان مهندسی عمران


3. دهقانی، ا. ا.، زنگانه، م. ا.، مساعدی، ا. و کوهستانی، ن. (1388). مقایسه تخمین بار معلق به دو روش منحنی سنجه رسوب و شبکه عصبی مصنوعی (مطالعه موردی رودخانه دوغ استان گلستان). مجله علوم کشاورزی و منابع طبیعی، جلد شانزدهم، ویژه نامه 1- الف، ص 278-266.


4. ولی، ع.، معیری، م.، رامشت، م. ح. و موحدی­نیا، ن. (1388). تحلیل مقایسه عملکرد شبکه­های عصبی مصنوعی و مدل­های رگرسیونی پیش­بینی رسوب معلق مطالعه موردی حوضه آبخیز اسکندری واقع در حوضه آبریز زاینده رود. مجله پژوهش­های جغرافیای طبیعی، شماره 71، ص 30-21.


5. بابایی، ا.، پهلوانی، ح. و سلاجقه، ع. (1389). ارزیابی کارایی مدل شبکه عصبی مصنوعی در تخمین هوشمند رسوب معلق روزانه در چند ایستگاه هیدرومتری منتخب در استان گلستان. مجله علوم و مهندسی آبخیزداری ایران، سال چهارم، شماره 13،ص 64-61.


6. دهقانی، ن. و وفاخواه، م. (1392). مقایسه روش های تخمین رسوب معلق روزانه با استفاده از روش های منحنی سنجه رسوب و شبکه عصبی (مطالعه موردی: ایستگاه قزاقلی، استان گلستان). مجله پژوهش های حفاظت آب و خاک، جلد بیستم، شماره 2، ص230-221.


7. Sarangi, A., Bhattacharya, A, K, .2005. Comparison of artificial neural network and regression models for sediment loss prediction from Banha watershed in India. Water technology Center, IARI, Pusa Campus, New Dehli.


8. Zhu, Y, M., Lu, X, X., Zhou, Y., 2007. Suspended sediment flux modeling with artificial neural network: an example of the Longchuanjiang River in the Upper Yangtze Catchment, China. Geomorphology,; 84: 111-125.


9. Kisi, O., Haktanir, T., Ardiclioglu, M., Ozturk, O., Yalcin, E., Uludag, S., 2009. Adaptive neuro-fuzzy computing technique for suspended sediment estimation. Adv. Engine. Soft..; 40: 438-444.


10. MacKay, D, J, C., 1992.  Bayesian Interpolation, Neural Computation; 4: 415-447.


11. Foresee, F, D., 1997. Gauss-newton approximation to Bayesian regularization , International  Joint Conference on Neural Network, Houston.;4(2):1930-1935


12. Tokar, A, s., 1999. Johnson P A. Rainfall- Runoff modeling using artificial neural.


13. Khan, M, S., Coulibaly, p., 2006. Bayesian neural network for rainfall-runoff modeling, Water Resour. Res.,; 42:80-95


14. Fithriasari, K., Brodjol, N., Sutikno, U., Kuswanto, H., 2013. Prediction of Hourly Rainfall using Bayesian Neural Network with Adjusting Procedure. The Third Basic Science International Conference.

فرداد،ح.1369. آبیاری عمومی. انتشارات دانشگاه تهران.