جمال مصفایی - استادیار آبخیزداری، پژوهشکده حفاظت خاک و آبخیزداری، سازمان تحقیقات، آموزش و ترویج کشاورزی، تهران، ایران
امین صالح پورجم - استادیار آبخیزداری، پژوهشکده حفاظت خاک و آبخیزداری، سازمان تحقیقات، آموزش و ترویج کشاورزی، تهران، ایران
محمودرضا طباطبائی - استادیار آبخیزداری، پژوهشکده حفاظت خاک و آبخیزداری، سازمان تحقیقات، آموزش و ترویج کشاورزی، تهران، ایران

به دلیل مشکلات نمونه‎برداری و عدم دقت کافی معادلات تجربی، سنجش و گزینش مناسب‎ترین روش‎های برآورد رسوبات بار کف، اهمیت زیادی دارد.هدف پژوهش حاضر، مقایسه کارآیی مدل‎های آماری شبکه عصبی مصنوعی و منحنی سنجه رسوب در برآورد رسوبات بار کف است؛ بدین منظور، ابتدا ۵ ایستگاه هیدرومتری دارای بیشترین تعداد نمونه انتخاب شدند؛ سپس منحنی سنجه رسوب و مدل شبکه عصبی مصنوعی با ۷۰% داده های آنها ساخته و ارزیابی دقت برآورد دو مدل با ۳۰% باقیمانده نمونه‎ها انجام شد. نتایج نشان داد که در تمامی ایستگاه‎ها، با افزایش مقادیر دبی جریان، رسوبات بار کف نیز افزایش می یابد. میانگین سطح معنی‎داری تفاوت بین مقادیر مشاهداتی و برآوردی مدل شبکه عصبی مصنوعی (۵۹/۰) بالاتر از مدل منحنی سنجه رسوب (۱۴/۰) است که نشان‎دهنده تفاوت کمتر مقادیر مشاهداتی و برآوردی مدل شبکه عصبی مصنوعی نسبت به مدل منحنی سنجه رسوب و صحت بیشتر برآوردهای مدل شبکه عصبی مصنوعی است؛ همچنین در تمام ایستگاه‎ها، شاخص مجذور میانگین مربعات خطا برای مدل شبکه عصبی مصنوعی کمتر از مدل منحنی سنجه رسوب است، به طوری که مجموع مجذور میانگین مربعات خطای پنج ایستگاه برای مدل شبکه عصبی مصنوعی و منحنی سنجه رسوب به ترتیب برابر ۷/۲۵۰۵ و ۳/۵۱۹۵ محاسبه شد. بالاتر بودن ضریب همبستگی بین مقادیر مشاهداتی و برآوردی در هر پنج ایستگاه، با استفاده از مدل شبکه عصبی مصنوعی (۷۶۵/۰) نسبت به مدل منحنی سنجه رسوب (۵۰۳۸/۰)، نشان از تخمین‎های دقیق‎تر مدل شبکه عصبی مصنوعی دارد. در نهایت، مدل شبکه عصبی مصنوعی که از دقت بالاتری نسبت به مدل سنجه بار کف برخوردار است، به عنوان مدل برتر انتخاب شد. با توجه به مشکلات اندازه‎گیری رسوبات بار کف و اریب زیاد ناشی از محاسبه بار بستر به عنوان درصدی از بار معلق، نتایج این پژوهش می‎تواند کمک شایانی به برآورد دقیق‎تر بار بستر و نیز بار کل رسوبی نماید.  

بار رسوبی, نسبت بار کف, بار معلق, انتقال رسوب, دقت برآورد