沉积物管理是实现水资源可持续发展和水体健康的重要因素之一，尤其是在应对水库、河流及其他水域中的细颗粒沉积物时。然而，由于现场测试的复杂性和成本高昂，再加上细颗粒沉积物的复杂物理化学特性，解决与沉降速度相关的问题仍然充满挑战。细颗粒沉积物的沉降速度受多种水力因素影响，这增加了对其预测的难度。因此，机器学习模型在这一领域具有广泛的应用潜力，能够作为预测细颗粒沉积物沉降速度的有效工具。

在本研究中，开发了三种基于机器学习的模型，分别是径向基函数神经网络（RBFNN）、反向传播神经网络（BPNN）和自组织特征映射（SOFM），用于预测水体中细颗粒沉积物的沉降速度。这些模型采用了四个关键的水力参数，包括进口深度、颗粒尺寸及相对x和y轴的颗粒位置，来构建模型输入。为了评估这些模型的性能，引入了五种不同的统计衡量标准，包括均方根误差（RMSE）、纳什效率系数（NSE）、平均绝对误差（MAE）、平均值占比（MVAF）和总方差解释（TVE）。结果显示SOFM模型在捕捉细颗粒沉积物沉降速度方面具有较好的预测性能，展示了机器学习技术在水资源管理中的潜在应用价值。