شاخص‌های سنجش از دوری چه‏ اندازه می‏توانند موجب بهبود برآورد بار معلق شوند؟

در این پژوهش کارایی شاخص‏های ماهواره‏ای و پارامترهای ژئومورفومتری در برآورد بار رسوبی با استفاده از مدل‏های مبتنی بر هوش مصنوعی و داده‏کاوی به چالش کشیده شده است. بدین منظور، نخست مدل‏ها به کمک پارامترهای ژئومورفومتری مستخرج از مدل رقومی ارتفاعی و شاخص‏های ماهواره‏ای بهینه‏سازی شد و نزدیک‏ترین داده‏های دبی و رسوب به زمان تصاویر ماهواره‏ای خروجی مدل درنظر گرفته شد. پس از اجرای الگوریتم‏ها، به وزن‏دهی پارامترها و تعیین میزان تاثیرشان در پیش‏بینی بار رسوبی معلق پرداخته ‏شد. نتایج نشان داد عملکرد مدل‏ها با ورودی‏های مختلف گوناگون است. مقادیر rmse مدل‏ها بیانگر آن است که در صورت استفاده از پارامترهای ژئومورفومتری به ‏عنوان ورودی مدل مقدار rmse بیشتر است و در مقابل با استفاده از برخی شاخص‏ها به‏ عنوان ورودی مدل‏ها میزان rmse کاهش می‏یابد؛ به ‏طوری که در مدل فرایند گوسی با ورودی پارامترهای ژئومورفومتری مقدار rmse=35/10 و در صورت ورودی شاخص‏های تصاویر ماهواره‏ای مقدار 513.7rmse= است. با تلفیق پارامترهای ژئومورفومتری و شاخص‏ها میزان دقت همه مدل‏ها افزایش یافته و مدل فرایند گوسی با rmse=5.026 بیشترین دقت را داشته است. نتایج حاصل از وزن‏دهی نیز نشان داد که شاخص‏های clay index (average) و b5 (average) و ndvi (max) دارای بیشترین وزن بوده و بیشترین تاثیر را در پیش‏بینی بار رسوبی معلق داشته‏اند.