سمانه رضوی زاده - Sari Agric. Sci. & Natur. Resour. Univ., Sari, Iran.
عطااله کاویان - Sari Agric. Sci. & Natur. Resour. Univ., Sari, Iran.
مهدی وفاخواه - Tarbiat Modares Univ., Tehran, Iran.

  پیش­بینی میزان بار رسوب منتقل شده توسط رودخانه­ها، یکی از جنبه­های مهم مدیریت رودخانه­ها، مخازن سدها و به طور کلی پروژه­های آبی به شمار می­رود. در تحقیق حاضر به منظور پیش­بینی بار معلق رسوب رودخانه طالقان با استفاده از شبکه عصبی مصنوعی و شناسایی شبکه بهینه با بالاترین دقت، از ۵۰۰ داده روزانه متغیرهای دبی روز مورد نظر، دبی یک روز قبل، اشل و وضعیت هیدروگراف (به ترتیب با میانگین ( m۳/s ) ۸۳/۱۳، ( m۳/s ) ۴۲/۱۵، ( cm )۸۳/۸۹ و۰۳۶/۰-) به عنوان ورودی مدل و ۵۰۰ داده روزانه بار معلق رسوب متناظر، به عنوان خروجی مدل استفاده شد. داده­های مورد استفاده مربوط به بازه زمانی ۱۳۸۴- ۱۳۶۳، می­باشد. با ایجاد ترکیب­های متفاوتی از متغیرهای ورودی و هم چنین با تغییر تعداد نرون­های لایه پنهان و تابع آستانه، ۸۰ شبکه عصبی متفاوت ایجاد شد، که با مقایسه دو پارامتر R۲ و RMSE در مدل­های مختلف، دقت آنها بررسی شد. نتایج نشان داد که شبکه عصبی با ساختار ۱-۹-۳ و با ترکیب پارامتر­های ورودی شامل دبی روز مورد نظر، دبی یک روز قبل و اشل، با R۲ و RMSE آزمون، به ترتیب۹۷/۰ و ۰۶۸/۰ دارای بالاترین دقت می­باشد. بر اساس نتایج حاصل از شبکه ۱-۹-۳، میانگین داده­های رسوب مشاهداتی و پیش بینی شده توسط مدل بهینه (مربوط به بخش آزمون)، به ترتیب۸۰۲/۱۱۲۲ و ۹۲۴/ ۱۱۸۴ (تن در روز) می­باشد.

Sediment load, Discharge, Hydrograph condition, ANN, Taleghan river., رسوب, دبی, وضعیت هیدروگراف, ANN, رودخانه طالقان