تعيين مناسب ترين الگوريتم به منظور برآورد ميزان رسوب با استفاده از شبكه عصبي )شبكه پيشخور پس انتشار خطا و شبكه fitting )مطالعه موردي:رودخانه كاكارضا-استان لرستان(

به منظور اجراي برنامه هاي حفاظت خاك و كاهش رسوب زايي، همچنين محاسبه و طراحي دقيق حجم سد دراحداث سدهاي مخزني، ضرورت دارد كه ميزان توليد رسوب در يك حوزه آبخيز، ارزيابي و برآورد گردد.بطوركليپديده فرسايش و انتقال رسوب از پيچيده ترين مسائل هيدروديناميكي است كه تعيين دقيق معادلات حاكم بر آن بدليل تاثيرات پارامترهاي مختلف، به آساني ميسر نيست. هدف از اين مطالعه به دست آوردن الگوريتم مناسب با استفادهاز شبكه عصبي پيش خور پس انتشار خطا)) newff ) feed-forward backpropagation ( و (( newfit ) fitting ( به منظور برآورد ميزان رسوب در حوزه مورد مطالعه پرداخته شد. به اين منظور برايبرآورد رسوب، از داده هاي دبي، بارش و رسوب رودخانه كاكارضاي استان لرستان به صورت ماهانه استفاده شد. با آناليز حساسيت،تأثيرگذارترين پارامترها)دبي- بارش( به عنوان ورودي مدل و ميزان رسوب، خروجي قرارگرفت. نتايج در اين تحقيق نشان داد كه هر دو شبكه ذكر شده براي تخمين رسوب مناسب مي باشد البته لازم بهذكر است همه الگوريتم ها با رگرسيون) R ( و ميانگين مربعات خطا) MSE ( مناسب نمي باشد. از بين چهارده الگوريتم مورد استفاده در اين مطالعه , 0 و ميانگين / الگوريتم هاي مناسب براي تخمين رسوب با رگرسيون 99مربعات خطاي پايين) (TRAINSCG,TRAINRP,TRAINLM,TRAINBR انتخاب شد و الگوريتم هاي ديگري مانند TRAINCGp,TRAINCGF,TRAINCGB, با رگرسيون پايين داراي خطاي بالا بوده و نمي توان از اين الگوريتم ها براي تخمين رسوب استفاده كرد و روي هم افتادگي خطوط ترسيم شده در نمودار بين داده هاي مشاهداتي)خروجي مدل( و اندازه گيري شده با رگرسيون 0/04نشان از نامناسب بودن اين الگوريتم ها به منظور برآورد رسوب است.