ارزیابی عملکرد روش های داده گرا در تخمین بار کل رسوبی رودخانه های شنی

انجام مطالعات فراوان در رابطه با انتقال رسوب و به ویژه پیش بینی این پدیده نشانگر اهمیت بسیار بالای آن در علوم مرتبط با مهندسی و مدیریت منابع آب می باشد. در این بین روش های هوشمند در سال های اخیر به طور موفقیت آمیزی در پیش بینی بار بستر، بار معلق و همچنین بار کل رسوب به کار گرفته شده است. با این حال با توجه به کمبود داده های مرتبط به بار کل برای رودخانه های با بستر شنی، مطالعات انجام گرفته در این راستا محدود می باشد. هدف از تحقیق حاضر استفاده از روش های قدرتمند ماشین بردار پشتیبان، شبکه عصبی مصنوعی و رگرسیون فرآیند گاوسی به منظور پیش بینی بار کل رسوب در 19 رودخانه شنی واقع در ایالات متحده آمریکا و مقایسه نتایج حاصل با روش های کلاسیک مرسوم می باشد. بدین منظور پارامترهای بدون بعد مختلفی مبتنی بر هیدرولیک جریان و مشخصات رسوب تعریف و عملکرد روش های مذکور مورد ارزیابی قرار گرفت. با توجه به نتایج به دست آمده شبکه عصبی مصنوعی با دارا بودن ضریب همبستگی و معیار ناش- ساتکیف به ترتیب برابر با 952/0 R= و 903/0 NSE= برای داده های صحت سنجی از عملکرد بهتری نسبت به دو روش دیگر برخوردار می باشد. در نهایت با انجام تحلیل حساسیت، پارامتر نسبت سرعت متوسط به سرعت برشی جریان به عنوان تاثیرگذارترین پارامتر در پیش بینی بار کل رسوب معرفی شد.