fa بررسی کارایی مدل‏های هوشمند در برآورد رسوبات معلق رودخانه‏ای (مطالعه موردی: حوزه‏ آبخیز باباامان، خراسان شمالی) تخصصي Special پژوهشي Research <p dir="RTL" style="margin-right: -0.05pt;"><strong>برآورد دقیق مقدار رسوبات حمل شده توسط رودخانه&rlm;ها در پروژه&rlm;های آبی</strong><strong>،</strong><strong> از اهمیت بسیاری برخوردار است و لذا شناسایی و پیشنهاد روش&shy;های مناسب جهت برآورد دبی رسوبات معلق از اهداف مهمی تلقی می&shy;شود که بایستی بر اساس تحقیقات مرتبط به انجام برسد. از جمله&rlm; این روش&rlm;ها می&rlm;توان به روش&rlm;های یادگیری ماشین از جمله مدل درختان تصمیم&rlm;گیری، ماشین بردار پشتیبان و شبکه عصبی مصنوعی اشاره کرد. در این پژوهش، کارایی این تکنیک&rlm;ها در پیش&rlm;بینی میزان دبی رسوبات معلق حوزه آبخیز باباامان بجنورد مورد بررسی قرار گرفت. داده&shy;های ورودی برای پیش&rlm;بینی رسوبات معلق حوزه باباامان در این پژوهش عبارتند از: دبی&rlm;جریان، دبی رسوب معلق، بارش و تبخیر، که مربوط به دوره&rlm; آماری از سال 1349 تا سال 1380</strong> <strong>است. جهت ارزیابی دقت و صحت نتایج این مدل&rlm;ها، معیار&rlm;های آماری </strong><strong><span dir="LTR">MAE</span></strong><strong>، </strong><strong><span dir="LTR">RMSE</span></strong><strong>، </strong><strong><span dir="LTR">R</span></strong> <strong>&nbsp;استفاده شدند. در نهایت نتایج معیار&shy;های آماری </strong><strong><span dir="LTR">R</span></strong><strong> و </strong><strong><span dir="LTR">RMSE</span></strong><strong> به ترتیب برای مدل منحنی سنجه 80/0 و 77/55863، مدل شبکه عصبی </strong><strong>98/0 و 28/1، مدل درخت تصمیم 96/0 و 56/48881 و مدل ماشین بردار پشتیبان 99/0 و 6998/0 است. مقادیر به دست آمده نشان داد که ماشین بردار پشتیبان در مقایسه با روش&rlm;های نامبرده، تطابق بسیار بیش&shy;تری با مقادیر اندازه&rlm;گیری شده داشته است. </strong></p> <p dir="RTL" style="margin-right: -0.05pt;"></p> <p><font color="#000000"><span style="line-height: 115%; font-family: &quot;Times New Roman&quot;,&quot;serif&quot;; font-size: 11pt; mso-fareast-font-family: Calibri; mso-ansi-language: EN-US; mso-fareast-language: EN-US; mso-bidi-language: AR-SA; mso-bidi-font-family: &quot;B Nazanin&quot;; mso-bidi-font-size: 14.0pt;">Accurate estimation of the sediment volume carried by the rivers is important in water related projects and recognition and suggestion proper methods for estimating suspended sediment goals which should be conducted by related researches. Among the methods that have been recently used to model suspended sediment, machine learning based methods such as decision trees, support vector machine, and artificial neural networks are importance. In the present study, the applicability of such techniques in predicting suspended sediment load of Babaaman watershed in Bojnord, Iran has been evaluated. Input data for predicting Babaaman watershed&rsquo; suspended sediments in this project are: Debi, suspended load, raining and evaporation, which are related to the statistical period 1349 to 1380. In order to assess the accuracy and precision of the model results, statistical measures including R, RMSE, and MAE</span><span dir="RTL" style="line-height: 115%; font-family: &quot;B Nazanin&quot;; font-size: 14pt; mso-fareast-font-family: Calibri; mso-ansi-language: EN-US; mso-fareast-language: EN-US; mso-bidi-language: AR-SA; mso-ansi-font-size: 11.0pt; mso-ascii-font-family: &quot;Times New Roman&quot;; mso-hansi-font-family: &quot;Times New Roman&quot;;"> </span><span style="line-height: 115%; font-family: &quot;Times New Roman&quot;,&quot;serif&quot;; font-size: 11pt; mso-fareast-font-family: Calibri; mso-ansi-language: EN-US; mso-fareast-language: EN-US; mso-bidi-language: AR-SA; mso-bidi-font-family: &quot;B Nazanin&quot;; mso-bidi-font-size: 14.0pt;">have been utilized. Consequently, the results of statistical value of R and RMSE for sediment rating curve method 0.80 and 55863.77, neural network 0.98 and 1.28, decision tree model 0.96 and 48881.56 and support vector machine 0.99 and 0.6998. The obtained values reveal that the support vector machine was more consistent with the measured values compared to the above-mentioned methods. </span></font></p> : بار رسوب معلق, درخت تصمیم, شبکه عصبی مصنوعی, ماشین بردار پشتیبان, منحنی سنجه رسوب Artificial Neural Network, Decision Tree, Sediment Rating Curve, Suspended Load, Support Vector Machine 95 88 http://jwmr.sanru.ac.ir/browse.php?a_code=A-10-1-155&slc_lang=fa&sid=1 پریسا عشقی 10031947532846004314 10031947532846004314 No جلیل فرزاد مهر 10031947532846004315 10031947532846004315 Yes محمد تقی دستورانی 10031947532846004316 10031947532846004316 No زینب عرب اسدی 10031947532846004317 10031947532846004317 No