فرهاد حاجیان - ایران ، نیشابور، دانشگاه آزاد اسلامی نیشابور ، گروه عمران

توسعه روش های مناسب برای برآورد رسوبدهی حوضه در اثر وقایع بارش با شدت زیاد از اهمیت ویژه ای برخوردار است ، خصوصا برای حوضه های فاقد دیتا . در این مطالعه از روش موسلی ، بیان ژن و شبکه عصبی مصنوعی به منظور برآورد رسوبدهی در خروجی حوضه آبریز کسیلیان برای پنجاه و هفت واقعه بارش در استان مازندران ایران استفاده شد و با مقادیر اندازه گیری شده مقایسه شد . نتایج این مطالعه نشان داد که مدل MUSLE نمی تواند رسوبدهی حوضه را در شکل و فرم اصلی خودش برای منطقه مورد مطالعه پیش بینی کند. با این حال ، عملکرد مدل MUSLE با تنظیم توان و ضریب مدل بهبود یافت. عملکرد مدل های GEP و ANN نشان داد که هر دو مدل در برآورد رسوبدهی حوضه نتوایج قابو ایمینوانی دارند و عملکرد آنها از روش MUSLE کالیبره شده بهتر است. علاوه بر این ، نتایج نشان داد که عملکرد مدل ANN برای برآورد رسوبدهی حوضه کسیلیان با پنج نرون ورودی ، چهار نرون پنهان و 1 نرون خروجی 5-4-1 بهتر از هر دو مدل GEP و مدل MUSLE کالیبره شده بود

و ANN ، GEP ، MUSLE ، رسوبدهی ، حوضه کسلیان