부유 sediment 농도 예측을 위한 캐스케이드 상관 신경망(CCNN)과 피드포워드 신경망(FFNN) 기계 학습 모델 간의 비교 조사

초록 부유 sediment 농도 예측은 저수지, 댐, 하천 생태계 설계, 수자원 구조의 다양한 운영, 환경 안전 및 물 관리를 위해 매우 중요합니다. 본 연구에서는 인도의 쉐오나스 분지의 심가 및 존다라 기상 관측소에서 매일 부유 sediment 농도(SSC)를 예측하기 위해 캐스케이드 상관 신경망(CCNN)과 피드포워드 신경망(FFNN)이라는 두 가지 기계 모델을 적용했습니다. 2010년부터 2015년까지의 일일 부유 sediment 농도 및 유량 데이터가 수집되어 부유 sediment 농도를 예측하기 위한 모델 개발에 사용되었습니다. 개발된 모델은 Nash 및 Sutcliffe 효율 계수(N ES), 평균 제곱근 오차(RMSE), Willmott의 일치 지수(WI) 및 Legates–McCabe의 지수(LM)와 같은 통계 지수를 사용하여 평가되었으며, 그래픽 표현을 위해 산점도, 밀도 플롯, 히스토그램 및 테일러 다이어그램이 보완되었습니다. 개발된 모델은 CCNN 및 FFNN과 비교 및 평가되었습니다. 아홉 개의 입력 조합이 유량(Q t-n )과 부유 sediment 농도(S t-n )의 다양한 지연 시간을 입력 변수로 사용하여 탐색되었으며, 현재 부유 sediment 농도가 원하는 출력으로 설정되어 CCNN 및 FFNN 모델을 개발했습니다. 지연 입력 4개(S t-1 , S t-2 , S t-3 , S t-4 )가 있는 CCNN4 모델이 가장 낮은 RMSE = 95.02 mg/l 및 가장 높은 N ES = 0.0.662, WI = 0.890 및 LM = 0.668로 존다라 기상 관측소의 다른 개발 모델보다 우수하였으며, 동일한 CCNN4 모델은 가장 낮은 RMSE = 53.71 mg/l 및 가장 높은 N ES = 0.785, WI = 0.936 및 LM = 0.788로 심가 기상 관측소에서 최상의 성능을 보였습니다. 결과적으로 CCNN 모델이 인도의 쉐오나스 분지 내 두 기상 관측소에서 일일 부유 sediment 예측에 있어 FFNN 모델보다 우수하다는 것을 보여줍니다. 전반적으로, CCNN은 두 기상 관측소에서 FFNN에 비해 부유 sediment 농도 예측 가능성이 더 뛰어난 것으로 나타났으며, 복잡한 관계의 수리학적 예측에 대한 적용 가능성을 입증했습니다.