RESUMO A estimativa de fluxo descarga é um componente essencial do planejamento e da tomada de decisões. Está altamente correlacionado com muitas atividades de desenvolvimento envolvendo recursos hídricos. O estudo do transporte de sedimentos nos rios nos ajudará a desenvolver políticas e planos de conservação do solo, controle de enchentes, irrigação, navegação e problemas de biodiversidade aquática. Usando modelos baseados em dados, como Redes Neurais Artificiais (ANNs), a modelagem de vazão e do transporte de sedimentos é frequentemente adotada devido à sua aplicabilidade e capacidade de resolução de problemas. Este estudo utilizou três algoritmos de treinamento como Gradiente Conjugado Escalonado (SCG), Regularização Bayesiana (BR) e Levenberg-Marquardt (LM) para simular o fluxo de vazão e a concentração de sedimentos suspensos (SSC). Depois de otimizar o melhor algoritmo de treinamento baseado nos parâmetros de eficiência do modelo, o modelo LM-ANN foi utilizado para prever o fluxo vazão por dois anos e a modelagem de sedimentos suspensos foi validada com a ajuda de dados observados. O resultado mostrou que os resultados simulados acompanharam o fluxo de vazão, bem como o SSC com a precisão desejada com base nos parâmetros de eficiência do modelo, como coeficiente de determinação (R2), Nash Sutcliffe Efficiency (NSE), Root Mean Square Error (RMSE) e Root Mean Square Deviation (RMSD). Os resultados do estudo revelam que no fluxo de córregos a concentração de sedimentos suspensos é significativamente afetada pelo material de rocha base, geleiras cobertas por detritos e gelo carregado de detritos não consolidados. O transporte dos sedimentos é alto na bacia de Alaknanda em comparação com as outras bacias e os estudos anteriores. Isso pode acontecer devido às severas atividades antropogênicas na bacia circundante.

ABSTRACT The estimation of stream discharge is an essential component of planning and decision-making. It is highly correlated with many development activities involving water resources. The study of transportation of sediments in the rivers will help us to develop policies and plans for soil conservation, flood control, irrigation, navigation, and aquatic biodiversity problems. Using data-driven models such as Artificial Neural Networks (ANNs), modeling of streamflow and sediment transport is frequently adopted due to their applicability and problem-solving ability. This study has used three training algorithms such as Scaled Conjugate Gradient (SCG), Bayesian Regularization (BR), and Levenberg-Marquardt (LM) to simulate the streamflow and Suspended Sediments Concentration (SSC). After optimizing the best training algorithm based on the model efficiency parameters, L-M based-ANN model has been used to predict streamflow for two years and the modeling of suspended sediments was validated with the help of observed data. The result shows that the simulated results tracked the streamflow as well as SSC with the desired accuracy based on the model efficiency parameters such as coefficient of Determination (R2), Nash Sutcliffe Efficiency (NSE), Root Mean Square Error (RMSE), and Root Mean Square Deviation (RMSD). The study's outcomes reveal that in the streamflow the concentration of suspended sediments is significantly affected by the base rock material, glaciers covered by debris, and moraine-laden ice. The transportation of the sediments is high in the Alaknanda basin as compared to the other basins and the previous studies. This might happen due to the severe anthropogenic activities in the surrounding basin.