TY - JOUR T1 - Comprising the Empirical Equations of Runoff- Sediment Resulted from Sediment Rating Curves and Artificial Neural Network (Case Study: Ghadarkhosh Watershed, Ilam Province) TT - مقایسه روابط تجربی رواناب-رسوب حاصل از منحنی‌های سنجه رسوب و شبکه عصبی مصنوعی (مطالعه موردی: حوزه آبخیز گدارخوش، استان ایلام) JF - E.E.R.Journal JO - E.E.R.Journal VL - 2 IS - 3 UR - http://magazine.hormozgan.ac.ir/article-1-112-fa.html Y1 - 2012 SP - 29 EP - 43 KW - USBR KW - ANN KW - Sediment Rating Curve KW - Flow Duration Curve KW - High and Low Water Periods N2 - 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. M3 ER -