زمینه و هدف: در تحقیق حاضر، هدف مقایسه تخمین بار رسوب معلق رودخانه بابلرود با استفاده از شبکه عصبی مصنوعی ، روش منحنی سنجه، و روش رگرسیون می باشد. روش بررسی: ورودی های مدل شامل دبی و خروجی مدل غلظت رسوب در گام زمانی بوده است. ورودی و خروجی رودخانه در دوره (1392-1359) دارای روند مثبت بوده و 75 درصد داده ها جهت آموزش و 25 درصد داده ها جهت آزمون شبکه مورد استفاده قرار گرفت. برای آموزش شبکه ابتدا تعدادی از داده ها که معرف شرایط مساله باشد را برای آموزش انتخاب کرده و بقیه داده ها جهت آزمون عملکرد شبکه آموزش دیده،به کار می رود. یافته ها: نتایج بدست آمده نشان می دهند که غلظت بار معلق رسوب حاصل از مدل های شبکه عصبی مصنوعی به داده های واقعی غلظت رسوب نزدیک تر هستند و ضریب همبستگی حاصل از شبکه عصبی مصنوعی معادل8/92 درصد می باشد. این در حالی است که ضریب همبستگی برای مدل های منحنی سنجه معادل1/87 درصد و روش رگرسیون آماری حداکثر معادل 90 درصدمی باشد. بحث و نتیجه گیری: سیستم شبکه عصبی مصنوعی نتایج و کارایی بهتری در پیش بینی بار معلق رسوب دارد و کارایی و انعطاف پذیری مدل شبکه عصبی مصنوعی در پیش بینی میزان رسوبات معلق رودخانه نسبت به مدل های آماری و منحنی سنجه نشان داده شده است. پرونده مقاله

زمینه و هدف: مدل بارش رواناب کینفیل با هدف بازسازی واقعه بارش در زمین های با کاربرد کشاورزی به کار می رود. روش بررسی: مدل کینفیل که توسط سیستم GIS، تکمیل می شود، روش مناسبی برای دستیابی به رواناب سیلاب در حوضه آبریز سپیدرود (شمال ایران) به شمار می رود.که در طی آن سناریو های مختلفی از واقعه بارش اجرا می شود. یافته ها و نتایج: نتایج نشان می دهند هنگامی که دبی پیک سیلاب مشاهده شده معادل 25/2 متر مکعب بر ثانیه بود، دبی محاسبه شده توسط مدل کینفیل معادل 4/2 متر مکعب بر ثانیه پیش بینی گردید (حدود 7 درصد خطا) و هنگامی که دبی پیک سیلاب مشاهده شده معادل 9/1 متر مکعب بر ثانیه بود، دبی محاسبه شده توسط مدل کینفیل معادل 8/1 متر مکعب بر ثانیه پیش بینی گردید (حدود 5 درصد خطا). هم چنینبر اساس مدل کینفیل مدیریت حوضه آبریز شامل بررسی کاهش پوشش جنگلی بر میزان پیش بینی دبی سیلاب با دقت چشم گیری به کار می رود. نتایج نشان دادند هنگامی که کاهش پوشش جنگلی به میزان 10 درصد از کل مقدار اولیه می رسد، دبی پیک سیلاب 5/14 برابر افزایش می یابد پرونده مقاله