Iranian Jornal of Watershed Management Science&Engineering

fa پیش‌بینی بار رسوب معلق با مدل هیبریدی ANN–PSO در حوضه قره‌سو میانی، استان اردبیل، ایران Suspended Sediment Load Prediction Using a Hybrid ANN–PSO Model in the Middle Qaresu Watershed, Ardabil Province, Iran تخصصي Special پژوهشي Research برآورد دقیق بار رسوب معلق از مؤلفه‌های اساسی مدیریت منابع آب، بهره‌برداری از مخازن و برنامه‌ریزی اقدامات آبخیزداری محسوب می‌شود. در این پژوهش، به‌منظور بهبود دقت پیش‌بینی بار رسوب معلق روزانه، عملکرد شبکه‌های عصبی مصنوعی آموزش‌یافته با الگوریتم لونبرگ–مارکوارت و مدل‌های هیبریدی مبتنی بر بهینه‌سازی ازدحام ذرات در دو ایستگاه هیدرومتری نوران و باروق واقع در حوضه قره‌سو میانی مورد ارزیابی قرار گرفت. پیش از مدل‌سازی، داده‌ها با استفاده از خوشه‌بندی فازی و روش تخصیص متناسب به مجموعه‌های آموزش، اعتبارسنجی و آزمون تقسیم شدند و همگنی آماری آن‌ها با آزمون کلموگروف–اسمیرنوف تأیید گردید. برای توسعه مدل‌ها، دبی لحظه‌ای جریان به‌عنوان متغیر ورودی و بار رسوب معلق روزانه به‌عنوان متغیر خروجی در نظر گرفته شد. ارزیابی عملکرد مدل‌ها بر اساس شاخص‌های RMSE، MAE،PBIAS  و Sxy انجام گرفت. نتایج نشان داد که مدل‌های مبتنی بر بهینه‌سازی ازدحام ذرات در هر دو ایستگاه عملکرد بهتری نسبت به مدل‌های متعارف داشته‌اند. در ایستگاه نوران، مدلANN-PSO-Sig  باRMSE  برابر 48/1 تن در روز و PBIAS معادل 14/0- درصد و در ایستگاه باروق با RMSE برابر 79/8 تن در روز و PBIAS معادل 91/4 درصد، بهترین نتایج را ارائه نمود. یافته‌ها بیانگر آن است که تلفیق الگوریتم فراابتکاری بهینه‌سازی ازدحام ذرات (PSO) و روش‌های خوشه‌بندی داده می‌تواند قابلیت تعمیم‌پذیری و دقت مدل‌سازی فرآیندهای پیچیده برآورد رسوب معلق را به‌طور مؤثری افزایش دهد. Accurate estimation of suspended sediment load is a fundamental component of water resources management, reservoir operation, and watershed management planning. In this study, to improve the accuracy of daily suspended sediment load prediction, the performance of artificial neural networks trained using the and hybrid models based on Particle Swarm Optimization (PSO) was evaluated at the Noran and Barough hydrometric stations in the Middle Qareh-Su Basin, Ardabil Province, Iran. Prior to modeling, the data were partitioned into training, validation, and testing datasets using fuzzy clustering and proportional allocation, and their statistical homogeneity was confirmed using the Kolmogorov–Smirnov test. For model development, instantaneous streamflow discharge was considered as the input variable, while daily suspended sediment load was used as the output variable. Model performance was evaluated using the RMSE, MAE, PBIAS, and Sxy performance metrics. The results indicated that the PSO-based models outperformed the conventional models at both stations. At the Noran Station, the ANN-PSO-Sig model achieved the best performance, with an RMSE of 1.48 t day⁻¹ and a PBIAS of −0.14%, while at the Barough Station, the same model yielded an RMSE of 8.79 t day⁻¹ and a PBIAS of 4.91%, representing the best results among the evaluated models. The findings demonstrate that integrating the Particle Swarm Optimization (PSO) metaheuristic algorithm with data clustering techniques can effectively enhance the generalization capability and modeling accuracy for complex suspended sediment estimation processes.   Accurate estimation of suspended sediment load is a fundamental component of water resources management, reservoir operation, and watershed management planning. In this study, to improve the accuracy of daily suspended sediment load prediction, the performance of artificial neural networks (ANNs) trained using Levenberg-Marquardt Algorithm (LM) and hybrid models incorporating particle swarm optimization (PSO) was evaluated at two hydrometric stations, Noran and Barough, located in the Middle Qareh-Su Basin, with 132 and 108 data records, respectively. Prior to modeling, the data were partitioned into training (70%), validation (15%), and testing (15%) subsets using fuzzy clustering and proportional allocation. The homogeneity of the statistical distributions of the data was verified using the Kolmogorov–Smirnov test. Instantaneous streamflow discharge was used as the input variable, while daily suspended sediment load was considered the output variable. Model performance was evaluated using the root mean square error (RMSE), mean absolute error (MAE), percent bias (PBIAS), and standard error of estimate (Sxy). The results indicated that the PSO-based models outperformed the conventional models at both stations. At Noran Station, the ANN-PSO-Sig model achieved the best performance, with an RMSE of 1.48 t/day and a PBIAS of −0.14%. At Barough Station, the same model yielded the best results, with an RMSE of 8.79 t/day and a PBIAS of 4.91%. These findings suggest that integrating the particle swarm optimization (PSO) metaheuristic algorithm with data clustering techniques can effectively enhance the generalization capability and predictive accuracy of models used to estimate suspended sediment load in complex hydrological systems خوشه‌بندی فازی, بهینه‌سازی ازدحام ذرات, شبکه عصبی مصنوعی, دبی جریان و مدل‌سازی داده‌محور Fuzzy Clustering, Particle Swarm Optimization, Artificial Neural Network, Streamflow Discharge, Data-Driven Modeling 0 0 http://jwmsei.ir/browse.php?a_code=A-10-1737-2&slc_lang=fa&sid=1 Reza Talaei رضا طلائی talaei1969@gmail.com https://orcid.org/0009-0008-4853-2459 Yes Agricultural Research, Education and Extension Organization (AREEO), Tehran, Iran, سازمان تحقیقات، آموزش و ترویج کشاورزی، تهران،‌ ایران Mahmoudreza Tabatabaei محمودرضا طباطبائی Taba1345@hotmail.com https://orcid.org/0000-0002-1513-0823 No Agricultural Research, Education and Extension Organization (AREEO), Tehran, Iran, سازمان تحقیقات، آموزش و ترویج کشاورزی، تهران،‌ ایران