هانیه اسدی - دانشجوی دکترای گروه مهندسی آبخیزداری/ دانشگاه علوم کشاورزی و منابع طبیعی ساری، ایران.
کاکا شاهدی - دانشیار / گروه مهندسی آبخیزداری، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ایران.
ری سایدل - استاد / علوم زمین و محیط زیست، دانشگاه آسیای میانه، تاجیکستان.
سید مصطفی کلامی هریس - دانش آموخته دکترای گروه مهندسی برق/دانشگاه صنعتی خواجه نصیرالدین طوسی، ایران.

برآورد دقیق مقدار رسوبات حمل شده توسط رودخانه ها، در مدیریت منابع آب از اهمیت بسیاری برخوردار است. بنابراین شناسایی و پیشنهاد مدلهای مناسب جهت برآورد رسوب معلق از اهداف مهم تلقی میشود که استفاده از روش نوین مدلهای هوشمند از جمله شبکه عصبی مصنوعی و رگرسیون بردار پشتیبان در این زمینه تحول عظیمی وجود آورده است. یک گام مهم در مدلسازی رسوب معلق با استفاده از این مدلها، انتخاب ورودیهای مناسب میباشد، زیرا ساختار و نتایج مدل را تحت تاثیر قرار میدهند. با توجه به اینکه در اکثر مطالعات در زمینه برآورد رسوب معلق با استفاده از مدلهای داده محور، تنها از متغیرهای اقلیمی و هیدرولوژیکی به عنوان متغیرهای تخمینگر استفاده گردیده است. بنابراین پژوهش حاضر به منظور تعیین متغیرهای ژئومورفولوژیکی اثرگذار و قابل دسترس در تخمین رسوب معلق در حوضه آبخیز تمر طراحی گردید. برای دستیابی به این هدف، نقش شاخص اتصال رسوبی به عنوان یک ورودی هیدروژئومورفیک علاوه بر ورودیهای هیدرولوژیکی با استفاده از مدلهای مذکور در تخمین رسوب معلق مورد ارزیابی قرار گرفت. مقایسه نتایج الگوهای ورودی مختلف نشان داد که شاخص اتصال رسوبی به همراه متغیرهای هیدرولوژیکی کارایی مدلها را بهبود میدهد و این بهبود به صورت کاهش (۹/۶۳% و ۲۶/۳۶%) در مجذور میانگین مربعات خطا و افزایش قابل توجه (۲۵/۸۰% و ۲۱/۸۵%) در ضریب کارایی ناش_ساتکلیف و (۱۳/۲۰% و ۴۵/۹۴%) در ضریب تبیین به ترتیب در مدلهای شبکه عصبی مصنوعی و رگرسیون بردار پشتیبان میباشد. نتایج این پژوهش با توجه به برآورد دقیقتر رسوب معلق در طراحی و مدیریت منابع آب با ارزش میباشد.

مدلسازی رسوب معلق, شبکه عصبی مصنوعی, رگرسیون بردار پشتیبان, شاخص اتصال رسوبی