در این پژوهش کارایی شاخص های ماهواره ای و پارامترهای ژئومورفومتری در برآورد بار رسوبی با استفاده از مدل های مبتنی بر هوش مصنوعی و داده کاوی به چالش کشیده شده است. بدین منظور، نخست مدل ها به کمک پارامترهای ژئومورفومتری مستخرج از مدل رقومی ارتفاعی و شاخص های ماهواره ای بهینه سازی شد و نزدیک ترین داده های دبی و رسوب به زمان تصاویر ماهواره ای خروجی مدل درنظر گرفته شد. پس از اجرای الگوریتم ها، به وزن دهی پارامترها و تعیین میزان تأثیرشان در پیش بینی بار رسوبی معلق پرداخته شد. نتایج نشان داد عملکرد مدل ها با ورودی های مختلف گوناگون است. مقادیر RMSE مدل ها 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 شاخص ها به عنوان ورودی مدل ها میزان RMSE کاهش می یابد؛ به طوری که در مدل فرایند گوسی با ورودی پارامترهای ژئومورفومتری مقدار۱۰ /۳۵ RMSE= و در صورت ورودی شاخص های تصاویر ماهواره ای مقدار 7 /513RMSE= است. با تلفیق پارامترهای ژئومورفومتری و شاخص ها میزان دقت همة مدل ها افزایش یافته و مدل فرایند گوسی با 026 /5RMSE= بیشترین دقت را داشته است. نتایج حاصل از وزن دهی نیز نشان داد که شاخص های Clay index (average) و b5 (average) و NDVI (max) دارای بیشترین وزن بوده و بیشترین تأثیر را در پیش بینی بار رسوبی معلق داشته اند.
