محمدابراهیم بنی حبیب - استادیار گروه آبیاری، پردیس ابوریحان، دانشگاه تهران
احسان امامی - دانش آموخته گروه آبیاری، پردیس ابوریحان، دانشگاه تهران

امروزه رسوب دهی حوزه های آبخیز از جمله مشکلات بهره برداری از منابع آب های سطحی در جهان است. با توجه به نقش و اهمیت رسوب در عمر مفید سدهای کشور، عدم توجه به اندازه گیری و محاسبه دقیق آن، باعث اتلاف سرمایه های ملی می شود. بدیهی است که دقت تخمین میزان رسوب دهی، بستگی زیادی به روش های محاسباتی، معادلات ارائه شده و داده ها یا اطلاعات تخمین رسوب دارد. چون عوامل مختلفی در فرسایش و تولید رسوب موثر است و بر اساس شرایط هر حوزه ممکن است یک یا چند عامل در تشدید آن موثر باشد.از این ­رو، برای بررسی مسئله رسوب دهی هر حوزه باید عوامل مختلف موثر در رسوب دهی آن منطقه را شناسایی و به طور صحیح برآورد کرد و سپس تاثیر عوامل مختلف را بر روی رسوب دهی مشخص نمود. در این تحقیق، شبکه های عصبی مصنوعی به عنوان روشی جدید برای تخمین رسوب دهی حوزه، به کار گرفته شده است. شبکه ای با ساختار و  آموزش مناسب و داده های کافی، قادر است تاثیرات و ارتباط بین رسوب و سایر متغیرهای موثر در رسوب دهی را بدون استفاده از روابط اختصاصی و معادلات مربوطه فراگیرد. برای تخمین رسوب دهی زیرحوزه ها، از ساختار MLP استفاده شد. پس از آموزش و آزمایش داده ها،بهترین حالت در نظر گرفته شده و سپس با روش رگرسیون های چندمتغیره مقایسه شد. نتایج نشان دهنده بهبود قابل توجهی در محاسبه و تخمین رسوب و کارآیی روش شبکه های عصبی نسبت به روش رگرسیون های چند متغیره است.

انتقال رسوب, رگرسیون چندمتغیره, ساختار MLP, منابع آب سطحی