fa تخمین بار معلق رسوبی رودخانه سنگورچای با استفاده از دو مدل شبکه عصبی مصنوعی تخصصي Special پژوهشي Research <p>حوضه رودخانه سنگورچای به عنوان یکی از شاخه های رودخانه قزل اوزن دارای حجم بالایی ازرسوبات است. با توجه به این نکته در این تحقیق برای تخمین بار معلق رسوبی روزانه از مدل پیش خور با الگوریتم پس انتشار خطا(FFBP) و تابع پایه شعاعی(RBF) استفاده شد. در واقع طبیعت غیر خطی بار معلق رسوبی استفاده از مدل های فوق را به عنوان مدل های غیرخطی در شبیه سازی این پارامتر اجتناب ناپذیر کرده است. لیکن پارامترهای ورودی برای هر مدل متفاوت بوده و در یک مرحله تنها از داده دبی استفاده شده و در مرحله بعد علاوه بر داده دبی از داده بارندگی نیز در هر مدل استفاده گردید. سپس برای تعیین کارایی مدل ها از فاکتور مجذور میانگین مربعات خطا(RMSE) و خطای تعیین(R2) استفاده شده و مشاهده می شود که مدل RBF در صورت استفاده از دو پارامتر دبی و بارندگی به عنوان پارامترهای ورودی، با برخورداری از خطای تعیین 9251/0 و مجذور میانگین مربعات خطای معادل 265 میلی گرم در لیتر به نتایج بهتری دست یافته است. در نهایت برای تعیین قابلیت پارامتر RMSE در صحت سنجی هر یک از مدل ها، از سیستم اطلاعاتی آکائیک(AIC) استفاده شده و مشاهده شد که مدل RBF با برخورداری از مقادیر آکائیک معادل 1042 از قابلیت بهتری برخوردار است.</p> <p>&nbsp; Songurchay river basin is one of the Qaranghu river branches with high volume of sediments load. Due to this fact, feed forward back propagation model (FFBP) and radial basis function (RBF) was used in this study to estimate the suspended sediment load. Due to the non-linear nature of the suspended sediment load these using models as nonlinear models is inevitable to simulate these parameters. However, the input parameters for each model vary and in a single phase only discharge data were used and then beside the discharge data rainfall data were also used in each model. Then, to determine the efficiency of models, root mean square error (RMSE) and the error of determination (R2) was used and it was observed that the RBF model in the case of using two parameters, discharge and rainfall as an input parameters, has achieved better results with 0.9251 R² and the root mean square error equivalent to 265 mg in liter. Finally, to assess the RMSE parameter the Akaike Information System (AIC) was used and it was observed that RBF models by having Akaike values equivalent to 1042 was more capabile.</p> بار معلق رسوبی, پیش خور پس انتشار, تابع پایه شعاعی, سیستم آکائیک, حوضه سنگورچای Suspended sediment load, feed forward back propagation, radial basis function, Akaike Information System, Songurchay river 115 131 http://geographical-space.iau-ahar.ac.ir/browse.php?a_code=A-10-1273-2&slc_lang=fa&sid=1 mehdi feyzolahpour مهدی فیض اله پور feyzolahpour@znu.ac.ir 100319475328460012213 100319475328460012213 Yes university of zanjan دانشگاه زنجان