スパロウ検索アルゴリズムベースのサポートベクターマシンモデルを使用した吊り下げ堆積物負荷予測

河川の懸濁堆積物負荷（SSL）の予測は、水文学モデリングと水資源工学において重要です。堆積物の輸送は非常に非線形であり、降雨、流れの強度、堆積物の供給などのいくつかの変数によって支配されるため、実際の困難と複雑さのために、一貫した正確な堆積物予測モデルの開発は非常に必要です。人工知能（AI）アプローチは、水資源工学で一般的になり、堆積物負荷モデリングなどの多面的な問題を解決しています。現在の研究では、インド、ジェナプール、ジャリケラ、ゴムライの駅でSSLを計算するために、サポートベクターマシンを新しいスパロウ検索アルゴリズム（SVM-SSA）と組み込んだ堅牢なモデルを提案しています。モデル開発には5つの異なるシナリオが考慮されています。開発されたモデルのパフォーマンス評価は、平均絶対誤差（MAE）、ルート平均二乗誤差（RMSE）、決定係数（R2）、およびナッシュサトクリフ効率（ENS）に基づいて分析されます。SVM-SSAモデルの結果は、3つのハイブリッドモデル、すなわちSVM-BOA（バタフライ最適化アルゴリズム）、SVM-GoA（Grasshopper Optimization Algorithm）、SVM-BA（BATアルゴリズム）、およびベンチマークSVMモデルと比較されます。調査結果は、SVM-SSAモデルが、堆積物（3か月の遅れ）と排出（現在のタイムステップおよび3か月の遅延）を備えたシナリオVのSSLを、RMSE = 15.5287、MAE = MAE = MAE =15.3926、およびENS = 0.96481。従来のSVMモデルは、SSL予測で最悪の状態を実行しました。この調査の結果は、川のSSLをモデル化するための採用アプローチの適合性を正確かつ確実に主張する傾向があります。予測モデルは、予測された結果の精度を保証しながら、コンピューティング時間支出を大幅に減らし、精度は現実的なエンジニアリングアプリケーションの要求を満たします。

Prediction of suspended sediment load (SSL) in streams is significant in hydrological modeling and water resources engineering. Development of a consistent and accurate sediment prediction model is highly necessary due to its difficulty and complexity in practice because sediment transportation is vastly non-linear and is governed by several variables like rainfall, strength of flow, and sediment supply. Artificial intelligence (AI) approaches have become prevalent in water resource engineering to solve multifaceted problems like sediment load modelling. The present work proposes a robust model incorporating support vector machine with a novel sparrow search algorithm (SVM-SSA) to compute SSL in Tilga, Jenapur, Jaraikela and Gomlai stations in Brahmani river basin, Odisha State, India. Five different scenarios are considered for model development. Performance assessment of developed model is analyzed on basis of mean absolute error (MAE), root mean squared error (RMSE), determination coefficient (R2), and Nash-Sutcliffe efficiency (ENS). The outcomes of SVM-SSA model are compared with three hybrid models, namely SVM-BOA (Butterfly optimization algorithm), SVM-GOA (Grasshopper optimization algorithm), SVM-BA (Bat algorithm), and benchmark SVM model. The findings revealed that SVM-SSA model successfully estimates SSL with high accuracy for scenario V with sediment (3-month lag) and discharge (current time-step and 3-month lag) as input than other alternatives with RMSE = 15.5287, MAE = 15.3926, and ENS = 0.96481. The conventional SVM model performed the worst in SSL prediction. Findings of this investigation tend to claim suitability of employed approach to model SSL in rivers precisely and reliably. The prediction model guarantees the precision of the forecasted outcomes while significantly decreasing the computing time expenditure, and the precision satisfies the demands of realistic engineering applications.