fa پیش بینی بار معلق رودخانه با استفاده از مدل‌های سری زمانی و شبکه عصبی مصنوعی (مطالعه موردی: ایستگاه قزاقلی رودخانه گرگانرود) تخصصي Special پژوهشي Research <p>&nbsp;&nbsp;&nbsp;&nbsp; <strong>برآورد میزان دقیق رسوبات معلق در رودخانه‌ها از ابعاد مختلف کشاورزی، حفاظت خاک، کشتیرانی، سدسازی، حیات آبزیان و ابعاد تحقیقاتی، دارای اهمیت فراوانی است</strong><strong><span dir="LTR">.</span></strong> <strong>روش‌های مختلفی برای بررسی و برآورد رسوبات معلق رودخانه، موجود می‌باشد که البته توانایی این روش‌ها متفاوت است.</strong> <strong>در تحقیق حاضر به منظور مقایسه و بررسی توانایی مدل‌های سری زمانی شامل مارکف، &nbsp;</strong><strong><span dir="LTR">ARIMA</span></strong> <strong>و شبکه‌های عصبی در پیش&shy;بینی رسوب معلق، از داده‌های روزانه ایستگاه قزاقلی واقع روی رودخانه گرگانرود استفاده شده است. داده‌های &nbsp;موجود به‌صورت متوسط رسوب معلق ماهانه در محیط نرم&shy;افزار </strong><strong><span dir="LTR">Minitab 16 </span></strong>&nbsp;<strong>و</strong><strong><span dir="LTR">Neurosolutions 5 </span></strong>&nbsp;<strong>به‌کار‌گرفته شد و در نهایت پیش&shy;بینی رسوب برای 111</strong> <strong>ماه انجام گرفت.</strong> <strong>در مرحله بعد، مقادیر پیش‌بینی شده توسط مدل‌های مختلف، با شاخص‌های اندازه‌گیری خطا شامل </strong>&nbsp;<strong><span dir="LTR">RMSE</span></strong><strong>و</strong><strong><span dir="LTR">NMSE </span></strong>&nbsp;<strong>نشان داد که شبکه‌های عصبی در مقایسه با مدل‌های سری زمانی توانایی بهتری در پیش‌بینی و مدل‌سازی رسوب ماهانه دارد و نیز در بین مدل‌های سری زمانی، مدل مارکف در مقایسه با مدل </strong><strong><span dir="LTR">ARIMA</span></strong> <strong>دارای توانایی بهتری در برآورد رسوب معلق می باشد</strong><strong><span dir="LTR">.</span></strong></p> <p>Accurate estimation of suspended sediment in rivers is very important from different aspects including agriculture, soil conservation, shipping, dam construction and aquatic research. There are different methods for suspended sediment estimation. In the present study to evaluate the ability of time-series models including Markov and ARIMA in predicting suspended sediment and to compare their results to Artificial Neural Networks it was tried to use daily suspended data from Ghazaghly station of Gorganroud River, as average monthly values in Minitab 16 software and Neurosolutions 5, and finally suspended sediment was predicted for 111 months. Calculation of the error measurement indices including RMSE and NMSE based on the results of this study showed a good ability of Artificial Neural Network models in estimating average monthly suspended sediment. On the other hand between time series models, Markov model has better ability in estimating monthly suspended sediment in comparison to the ARIMA model.</p> آریما, رسوب معلق, قزاقلی, مارکف, مدل‌سازی ARIMA, Suspended sediment, Ghazaghly, Markov, Modeling 216 225 http://jwmr.sanru.ac.ir/browse.php?a_code=A-10-1-118&slc_lang=fa&sid=1 Fariba Barzegari Fariba Barzegari فاطمه برزگری 10031947532846008102 10031947532846008102 Yes , Agricultural Department, Payam Noor University عضو هیات علمی گروه کشاورزی دانشگاه پیام نور محمدتقی دستورانی 10031947532846008103 10031947532846008103 No Ferdowsi University of Mashhad دانشگاه فردوسی مشهد