%0 Journal Article %A sepahvand, alireza %A hezarkhani, najmeye %T Comprising the Empirical Equations of Runoff- Sediment Resulted from Sediment Rating Curves and Artificial Neural Network (Case Study: Ghadarkhosh Watershed, Ilam Province) %J Environmental Erosion Research %V 2 %N 3 %U http://magazine.hormozgan.ac.ir/article-1-112-fa.html %R %D 2012 %K USBR, ANN, Sediment Rating Curve, Flow Duration Curve, High and Low Water Periods, %X از مهمترین عوامل تصمیم­گیری در احداث سازه­های رودخانه­ای و تعیین عمق مفید سد­ها داشتن داده­ای دقیق از میزان رسوب حمل شده توسط رودخانه­ها است. روش­های چندی برای محاسبه برای بار معلق رودخانه­ها پیشنهاد شده است. یکی از این روش­ها، روش هیدرولوژیکی منحنی سنجه رسوب است. از خطا­های عمده روش مذکور عدم لحاظ اختلاف­های فصلی می­باشد. بر این اساس هدف از تحقیق حاضر ارزیابی اثر ارائه منحنی سنجه رسوب در دوره­های کم آبی و پر آبی بر میزان خطای تخمین رسوب و مقایسه روش مذکور با روش شبکه عصبی مصنوعی می­باشد. جهت دست­یابی به این مهم با ترسیم منحنی تداوم جریان و روش اداره عمران ایالات‌متحده (USBR) اقدام به محاسبه میزان رسوب معلق روزانه و منحنی سنجه‌های رسوب کم آبی و پر آبی ترسیم گردید سپس نتایج حاصله با نتایج به دست آمده از روش شبکه عصبی مصنوعی مورد مقایسه قرار گرفت. در نهایت به وسیله معیار­های آماری سنجش خطا شامل خطای نسبی (RE)، کارایی مدل (EF)، ریشه میانگین مربعات خطا (RMSE) و ضریب تبیین (R2) اقدام به ارزیابی خطاهای روش­های مذکور نموده نتایج مبین قابلیت بالای روش شبکه عصبی مصنوعی با ضرایب تبیین و کارایی به ترتیب 903 /0 و 89/0 و ریشه میانگین مربعات خطا و خطای نسبی به ترتیب 322/0 و 22/6 می­باشد. %> http://magazine.hormozgan.ac.ir/article-1-112-fa.pdf %P 29-43 %& 29 %! %9 Research %L A-10-29-41 %+ %G eng %@ 2251-7812 %[ 2012