Improvement in area of artificial intelligence for predicting different hydrological phenomenon has shaped an enormous alteration in predictions. Knowledge on suspended sediment load (SSL) is vital in managing water resources problems and safe guard environment. Present study evaluated accurateness of five soft computing techniques, i.e. radial basis function network (RBFN), cascade forward back propagation neural network (CFBPNN), support vector machine (SVM), integration of support vector machine with firefly algorithm (SVM-FFA) and phase space reconstruction (PSR) with SVM-FFA (PSR-SVM-FFA) approaches to estimate daily SSL in Salebhata, Suktel, Lant gauge stations in western part of Odisha, India. Performance of selected models were evaluated on basis of performance criterion namely root mean square error (RMSE), Nash-Sutcliffe (NSE), Wilton index (WI) for choosing best fit model. Results acquired verified that application of various neural network methods in present field of study showed fine concurrence with observed SSL values. Comparison of estimation accuracies of different methods exemplified that PSR-SVM-FFA is very precise to estimate SSL when compared with other models. Result shows that Suktel gauge station, the best value of WI is 0.978 for PSR-SVM-FFA model, while it is 0.959, 0.923, 0.885, and 0.842 for SVM-FFA, SVM, CFBPNN, RBFN models in testing phase. Moreover, cumulative SSL data calculated by PSR-SVM-FFA method are closer to observed data as compared to other methods.

用于预测不同水文现象的人工智能领域的改进，使预测发生了巨大变化。关于悬浮泥沙负荷（SSL）的知识对于管理水资源问题和安全的保护环境至关重要。本研究评估了五种软计算技术的准确性，即径向基函数网络（RBFN），级联前向传播神经网络（CFBPNN），支持向量机（SVM），支持向量机与萤火虫算法（SVM-FFA）的集成以及SVM-FFA（PSR-SVM-FFA）方法进行相空间重构（PSR），以估算印度奥里萨邦西部Salebhata，Suktel和Lant轨距站的每日SSL。根据性能标准（即均方根误差（RMSE），Nash-Sutcliffe（NSE），威尔顿指数（WI），用于选择最佳拟合模型。获得的结果证明，在当前研究领域中各种神经网络方法的应用显示出与观察到的SSL值的良好一致性。比较不同方法的估计精度可证明，与其他模型相比，PSR-SVM-FFA可以非常精确地估计SSL。结果表明，在Suktel测距站中，PSR-SVM-FFA模型的最佳WI值为0.978，而SVM-FFA，SVM，CFBPNN，RBFN模型的WI的最佳值为0.959、0.923、0.885和0.842。此外，与其他方法相比，通过PSR-SVM-FFA方法计算出的累积SSL数据更接近观察到的数据。比较不同方法的估计精度可证明，与其他模型相比，PSR-SVM-FFA可以非常精确地估计SSL。结果表明，在Suktel测距站中，PSR-SVM-FFA模型的最佳WI值为0.978，而SVM-FFA，SVM，CFBPNN，RBFN模型的WI的最佳值为0.959、0.923、0.885和0.842。此外，与其他方法相比，通过PSR-SVM-FFA方法计算出的累积SSL数据更接近观察到的数据。比较不同方法的估计精度可证明，与其他模型相比，PSR-SVM-FFA可以非常精确地估计SSL。结果表明，在Suktel测距站中，PSR-SVM-FFA模型的最佳WI值为0.978，而SVM-FFA，SVM，CFBPNN，RBFN模型的WI的最佳值为0.959、0.923、0.885和0.842。此外，与其他方法相比，通过PSR-SVM-FFA方法计算出的累积SSL数据更接近观察到的数据。