موسسه انتشارات دانشگاه تهران تحقیقات آب و خاک ایران 2008-479X 48 3 2017 09 23 Optimization suspended load estimation models by using geo-morphometric parameters and attribute reduction technique بهینه‌سازی مدل‌های برآورد بار معلق به کمک پارامترهای زمین ریخت‌شناسی و تکنیک کاهش ویژگی 669 678 63453 10.22059/ijswr.2017.210038.667483 FA مریم اسدی دانشجوی کارشناسی ارشد آبخیزداری/ دانشگاه اردکان علی فتح زاده عضو هیات علمی / دانشگاه اردکان روح الله تقی زاده مهرجردی عضو هیات علمی / دانشگاه اردکان Journal Article 2016 06 19 Estimation sediment load of rivers is the most important challenges in river engineering. So, it was addressed different models by varying structures to estimate sediment load. In this study, it was reviewed effectiveness of geo-morphometric parameters and data mining technique to predict suspended sediment load in 68 basins in two different regions of Iran. For this reason, it was run six artificial neural networks models, linear regression, K-nearest neighbor, Gaussian process, support vector machine evolutionary on two types of suspended sediment data (i.e. maximum and average sediment). To optimize models, it was used geo-morphometric parameters and river discharge as input data into model and it was used attribute reduction technique to decrease the algorithms space. Results of models evaluation indicated that models performance is difference in average and minimum sediment data, so that the best method to predict average sediment is the Gaussian model by correlation coefficient, 0.988 and root mean squared, 11.004 and the best method to predict minimum sediment is support vector machine evolutionary model by correlation coefficient, 0.966 and root mean squared, 0.171. برآورد بار رسوبی رودخانه‌ها از مهم‌ترین چالش‌های مهندسی رودخانه محسوب می‌شود. به همین دلیل تاکنون مدل‌های مختلفی با ساختارهای گوناگون جهت برآورد بار رسوبی ارائه گردیده است. در این مطالعه به بررسی کارایی پارامترهای ژئومورفومتری و تکنیک‌های داده‌کاوی به‌منظور پیش‌بینی بار رسوب معلق در 68 حوزه واقع در دو منطقه‌ی متفاوت از ایران پرداخته‌شده است. به همین منظور شش مدل شبکه عصبی مصنوعی، رگرسیون خطی، K نزدیک‌ترین همسایه، فرآیند گوسی، ماشین بردار پشتیبان و ماشین بردار پشتیبان تکاملی بر روی دو نوع از داده‌های بار رسوب معلق (رسوب حداقل و متوسط) اجرا گردید. با هدف بهینه‌سازی مدل‌ها از پارامترهای ژئومورفومتری و دبی رودخانه به‌عنوان داده‌های ورودی‌ به مدل و از تکنیک کاهش ویژگی به‌منظور کاهش حجم فضای الگوریتم‌ها استفاده شد. نتایج ارزیابی مدل‌ها نشان داد که عملکرد مدل‌ها در داده‌های رسوب متوسط و حداقل متفاوت می‌باشد، به‌طوری‌که بهترین روش جهت پیش‌بینی رسوب متوسط رودخانه مدل فرآیند گوسی با ضریب همبستگی 988/0 و میانگین مجذور مربعات 004/11 بوده و مناسب‌ترین روش پیش‌بینی رسوب حداقل مدل ماشین بردار تکاملی با ضریب همبستگی 996/0 و میانگین مجذور مربعات 171/0 می‌باشد. https://ijswr.ut.ac.ir/article_63453_8b3bced87efd80fc1d1b656f2aa2063c.pdf