摘要
本研究通过对64条美国河流的沉积物输运量进行了全面评估，采用了12个经典的经验方程、10个人工智能与机器学习（AI/ML）模型以及两个新开发的经验公式。在传统方法中，Brooks（1963）方程在悬浮物负荷预测方面表现最为准确，而Kalinske（1942）和Du Boys（1879）方程产生的床沙负荷估计最为可靠。新提出的悬浮物负荷方程的均方根误差（R2）为0.946，相对均方根误差（RRMSE）为3.37%，大幅优于基准经验模型。对于床沙负荷，新方程将RRMSE降低了33.2%，并显著提高了R值和R2值，优于Einstein–Brown和Cheng等广泛使用的方法。总体而言，所提出的公式显著提升了关键性能指标，包括R值、R2值、相对误差、Nash–Sutcliffe效率以及平均偏差误差，证明了其在不同河流系统中的预测可靠性提升。尽管几种AI/ML方法，特别是混合小波-人工神经网络方法，也达到了较高的预测精度（R2值高达0.95），但新的经验方程具有更清晰的可解释性、更简单的实施流程以及更强的工程应用性。通过将经典水动力学理论、成熟的人工智能/机器学习技术和新开发的经验公式整合到一个统一的比较框架中，本研究的主要贡献在于推进了沉积物输运预测的方法，而非引入新的AI/ML算法。这些结果为实践者和研究人员提供了可靠、可解释且实际适用的工具，可用于广泛的沉积物输运和河流管理应用。
通俗语言摘要
河流会搬运沙子和土壤（称为沉积物），这会影响水质、洪灾情况以及大坝的安全性。本研究利用12个传统方程、10个人工智能与机器学习（AI/ML）模型以及两个新方程，对64条美国河流的数据进行了分析。新方程的准确性显著提高，误差降低了多达98%。在AI/ML模型中，混合小波-人工神经网络的性能最佳（R2值为0.950），误差率非常低。这些结果表明，将新方程与AI/ML结合使用能够提供可靠的沉积物输运预测工具，有助于改善河流管理，保护社区和生态系统。
利益冲突声明
作者声明没有利益冲突。
数据可用性声明
本研究使用的悬浮物负荷和床沙负荷数据集最初由Williams和Rosgen（1989）通过美国地质调查局发布。本研究对这些数据进行了整理、清洗，并将其组织成结构化格式，包括64条美国河流的时间变化和特定站点属性。处理后的数据集以及用于AI/ML模型的MATLAB代码已存放在Zenodo平台上，可以通过https://doi.org/10.5281/zenodo.16934091公开获取。
