Prognoza nanosa putem suspendiranog nanosa pomoću metoda mekog računarstva

Appropriate and acceptable prediction of bed load being carried by streams is vitally important for water resources quantity and quality studies. Although measuring the rate of bed load in situ is the most consistent method, it is very expensive and cannot be conducted for as many streams as the measurement of suspended sediment load. Therefore, in this study the role of suspended load on bedload prediction was examined by using sensitivity analysis. On the other hand, conventional sediment rating curves and equations can not predict sediment load accurately so recently the usage of machine learning algorithms increase rapidly. Accordingly, soft computational methods are used in the study. These are; artificial neural network (ANN), support vector machine (SVM) models and a decision tree (CHAID) model that is not used before in sediment studies. Some particular parameters are frequently used in these soft computational methods to form input sets. Hence, well known and commonly used three input sets and a new generated set are used as inputs to predict bedload and then the suspended load variable is added in these input sets. The performances of models with respect to input sets are compared to each other. To generate the results and to push the limits of models a very skewed and heterogeneous data is col¬lected from distributed locations. The results indicate that the performance of ANN and CHAID tree models are good when compared to SVM models. The usage of a suspended load as an additional input for the models boosts the model performances and the suspended load has significant contributions to all models.Za kvantitativne i kvalitativne studije vodnih resursa od ključne je važnosti prikladna i prihvatljiva prognoza nanosa prenošenog vodotocima. Premda je najkonzistentnija metoda za određivanje nanosa in situ mjerenje stope nanosa, takva su mjerenja veoma skupa te se ne mogu provoditi na velikom broju vodotoka poput mjerenja nanosa suspendiranog sedimenta. Stoga je u ovoj studiji ispitana uloga suspendiranog nanosa u prognozi nanosa, pri čemu je primijenjena analiza osjetljivosti. Kako se konvencionalnim krivuljama stope sedimentacije i konvencionalnim jednadžbama ne mogu točno prognozirati sedimentni nanosi, u posljednje vrijeme jako porasla upotreba algoritama strojnog učenja. U skladu s tim, u ovoj studiji su primjenjene metode mekog računarstva. Poimence, primijenjeni su ovi modeli: umjetne neuronske mreže (ANN), metoda potpornih vektora (SVM) i modeli stabla odlučivanja (CHAID), koji su po prvi put upotrijebljeni u istraživanju sedimenata. Pojedini parametri često se koriste u metodama mekog računarstva pri kreiranju ulaznih skupova podataka. Ovdje su upotrijebljena tri uobičajena ulazna skupa te novi generirani skup, koji su najprije poslužili kao ulazni podaci za prognozu nanosa, a zatim je tim ulaznim skupovima dodana varijabla suspendiranog nanosa. Međusobno su uspoređene performanse modela s obzirom na ulazne skupove. Kako bi se generirali rezultati i smanjila ograničenja modela, s različitih lokacija prikupljeni su vrlo pristrani i heterogeni podaci. Rezultati pokazuju da su performanse ANN i CHAID modela stabla odlučivanja dobre u usporedbi sa SVM modelima. Upotreba suspendiranog nanosa kao dodatne ulazne varijable poboljšava performanse svih modela i značajno im doprinosi