(۲۰۰۰) Bates and Horritt در بازهای به طول ۶ کیلومتر از رودخانه سورن واقع در مرکز انگلستان با استفاده از مدل HEC-RAS و مدلهای مشابه و به کمک اطلاعات و تصاویر ماهوارهای اقدام به تعیین سطح تراز آب و پیشبینی نواحی سیلگیر حاشیه رودخانه نمودند.
(۲۰۰۰) Asselman et al در مطالعهای بر روی رودخانه راین با عنوان برازش و تفسیر منحنیهای سنجه رسوب اظهار میدارد که منحنیهای سنجه بدست آمده به روش رگرسیون حداقل مربعات که از دادههای لگاریتمی بدست آمدهاند بار رسوب معلق را حدود ۱۰ تا ۵۰ درصد کمتر از میزان حمل شده برآورد کردهاند.
(۲۰۰۰) Kerem به نقل از Bros با تعیین منحنیهای سنجه رسوب و تقسیمبندی منحنیها بر پایه فصل، میزان گلآلودگی، باربستر و محاسبه میزان رسوبدهی و بررسی شماری از عاملهای دیگر در ترکیه، فرسایش تشدید شونده و تولید رسوب را به علت تغییر کاربری اراضی و تغییر شکل بستر رودخانه میداند.
(۲۰۰۰) Syvitski et al ارتباط بین پارامترهای سنجه رسوب و شرایط محیطی (مورفولوژی رودخانه، اقلیم و… ) را در ۵۹ ایستگاه هیدرومتری آمریکای شمالی مورد مطالعه قرار دادند و با بدست آوردن ضرایب معادله سنجه رسوب دریافتند که ضریبa با پارامترهای بار رسوب دراز مدت و میانگین دمای سالانه نسبت مستقیم، و با پارامترهای متوسط دبی سالانه، عرض جغرافیایی نیز با و همچنین توان b با پارامترهای عرض جغرافیایی و ارتفاع متوسط حوزه نسبت عکس دارد. بار رسوب دراز مدت و ارتفاع متوسط حوزه نسبت مستقیم، و با پارامترهای میانگین دمای سالانه و متوسط دبی سالانه نسبت عکس دارد. این محققین همچنین بیان میدارند که منحنی سنجه برای ضرایب همبستگی کمتر از ۲۵ درصد توصیه نمیشود.
(۲۰۰۰) Asselman به ارزیابی منحنی های سنجه رسوب در رودخانه راین و انشعابات آن پرداخت و خطاها و اشتباهات ارزیابی بارهای رسوبی را مورد تجزیه و تحلیل قرار داد و دریافت که تفاوتهای منحصربفرد در اشکال منحنی های سنجه رسوب به خصوصیات بار آبرفتی وابسته است . وی به منظور انتخاب بهترین مدل از شاخص حداقل میانگین مربعات خطا بهره جست.
(۲۰۰۱) Jain با توسعه منحنیهای سنجه رسوب و به کمک شبکههای عصبی مصنوعی که نماینده ریاضی اصلاح شده ای از عملکرد مغز بشر هستند، حجم رسوب در رودخانه می سی سی پی را مورد مطالعه قرار داد و مشاهده کرد که نتایج این روش با مقادیر مشاهداتی نسبت به تکنیک های معمول نزدیکتر است.
(۲۰۰۲) Horowitz با استفاده از منحنی های سنجه رسوب به پیش بینی بار رسوب معلق در رودخانه می سی سی پی مبادرت ورزید و دریافت که به منظور بهترین ارزیابی بار رسوب معلق سالانه در یک دوره بیست ساله می توان از منحنی های سنجه رسوب استفاده نمود.
(۲۰۰۲) Simonبا اندازهگیری غلظت رسوبهای موجود به صورت بار معلق که مقدار آن در بعضی از موارد به mg/l 100000 میرسید در نقاطی مانند آریزونا و نیومکزیکو عنوان نمود کمبود پوشش گیاهی موجب گشته که روانابهای بوجود آمده در فاصله کوتاهی به سیلاب تبدیل گردد.
(۲۰۰۲) Kothyari et al در برآورد تغییرات زمانی تولید رسوب با استفاده از سامانه اطلاعات جغرافیایی، نسخه تغییر یافتهای از RUSLE را برای برآورد رسوب در سیلابهای منفرد به کار میبرند که نتیجه کار این افراد تهیه هیدروگراف رسوب لحظهای سیلابها بوده است.
(۲۰۰۳ ) Ariffin et al از مدل شبکه عصبی و مدل رگرسیونی خطی برای پیش بینی میزان رسوبات استفاده نمودند .آنها توانستند بین چهار پارامتر تاتیر گذار بر میزان رسوب وغلظت رسوبات با استفاده از دو روش مذکور روابطی برقرار نمایند.
(۲۰۰۵) Cohen Loran and با بررسی نرخ رسوبدهی در زمان رخدادهای سیلابی جادین جنوبی اسرائیل سامانهای را پیاده کردند که به طور خودکار میزان بارش، جریان، باربستر، بارمعلق را در طی رخدادهای سیلابی ثبت میکند. نتایج حاکی از این سامانه نشانگر آن است که غلظت رسوب معلق با دبی جریان آب رابطه قوی در مقیاس یک رخداد داشته ولی روابط بین رخدادی پراکنده بوده است. میزان رسوب یک رخداد منفرد زیاد بوده ولی به علت تعداد کم سیلابها در مناطق خشک میزان تولید رسوب میانگین کمتر میباشد.
Canfield et al (2005) از نرم افزار HEC RAS برای مدلسازی آبشستگی و تجمع رسوب در رودخانه سرو کرانده مورد استفاده قرار دادند که نتایج نشان داد این نرمافزار قابلیت برآورد رسوب در این رودخانه را داشته ومیزان خطای آن کمتر از ۵% بوده است.
(۲۰۰۵) Pappenbergera et al با مطالعه عدم قطعیت در واسنجی پارامترهای موثر بر زبری سطوح سیلگیر و ارضی پایین دست با نرم افزار HEC RAS در دور رودخانه کارولینای شمالی به این نتیجه رسیدند که میزان تغییرات در مناطق آب گرفته کمتر از مقادیر مشخص شده برای مقاطع درابتدای اجرای نرمافزار است و میزان شبیهسازی این نرمافزار برای آب گرفتگی مناطق بیشتر به دادههای مشاهداتی نزدیک است.
Gibson et al (2006) قابلیت محاسبه انتقال رسوب با HEC RASرا بررسی نمودند که تنایج نشان داد، میزان شبیه سازی انتقال رسوب بسته به هیدرو گراف جریان و شرایط مرزی آن میباشد.
(۲۰۰۶) Rovira et al در بررسی تغییرپذیری بار رسوب معلق در مقیاس های زمانی مختلف در رودخانه توردرا در جنوب شرقی اسپانیا تأکید کرد که در یک توالی از دبی های اوج، غلظت های رسوب معلق مربوط به اوج های اولیه نسبت به سایر اوج های بعدی بزرگ تر بود. این موضوع به تخلیه تدریجی رسوب قابل دسترس برای انتقال در طول یک سیل و یا توالی از سیل ها نسبت داده شد.
(۲۰۰۷) Achite et al در بررسی برآورد رسوب درAbd wadi یکی از رودخانههای فصلی Algeria با ۲۲ سال دوره زمانی با استفاده از رواب
ط رگرسیونی نشان داد، اولا، مقادیر پیشبینی شده ۲۰ تا ۲۵ درصد بیشتر از مقادیر واقعی است. ثانیاٌ، طبق سریهای زمانی موجود، برآورد دقیقتر نیاز به دورههای طولانی مدت دارد. همچنین بیشترین مقدار رسوب مربوط به پاییز و سپس بهار میباشد. ایشان پیشنهاد میکنند جهت بررسی دقیقتر، تغییرات آب و هوایی را نیز مورد توجه قرار دهند.
(۲۰۰۷) Zabaleta et al به بررسی عوامل کنترلکننده رسوب معلّق در طی یک واقعه بارش- رواناب در سه حوزه آبخیز با مساحتهای متفاوت در اسپانیا پرداختند. در این بررسی مشخص شد که در حوزههای آبخیز کوچک طی یک رگبار میزان رسوب معلق به میزان بارش و غلظت رسوب معلق به شدت بارش وابسته بوده و در حوزه آبخیز بزرگ نیز بار رسوبی معلق به میزان بارش وابسته بوده است.
براساس نتایج به دست آمده از پژوهش (۲۰۰۷) Renault et alدر بررسی تغییرپذیری زمانی روابط میان بارش، دبی و غلظت رسوب معلق و عوامل مؤثر بر غلظت رسوب معلق در یک حوزه آبخیز مدیترانه ای کوچک در اسپانیا، تغییرپذیری زمانی روابط نشان دهنده پاسخ سریع هیدرولوژیکی و رسوبی آبخیز و سازگاری خوب بین شکل آب نگار و رسوب نگار بود. همچنین آنها زمان های تأخیر متفاوتی بین زمان اوج دبی و غلظت رسوب معلق را گزارش دادند.
(۲۰۰۷) Shi et al در ارزیابی تغییرات عملکرد سدهای اصلاحی در رودخانهها ضمن مقایسه دو مدل HEC-RAS و HEC-HMS بیان میکند که تغییرات رفتاری رودخانهها قبل و بعد از ساخت سدها باید کنترل شوند، همچنین مفاهیم اکولوژیکی و دادههای هیدرولیکی به صورت ترکیبی در نظر گرفته شوند.
(۲۰۰۸) Aytek با الگوسازی پدیده حمل رسوب بر روی دو ایستگاه روی رودخانه تانگ در ایالت مانتانا آمریکا به روش برنامهریزی ژنتیک و مقایسه نتایج حاصله با منحنی سنجه رسوب و روش های رگرسیونی، روش برنامهریزی ژنتیک را به عنوان یک رهیافت مناسب برای الگو سازی رسوبات معلق رودخانه ها معرفی نموده اند.
(۲۰۰۹) Khanchoul et al در یکی از آبخیزهای جنوب الجزایر به بررسی رسوبدهی معلق پرداختند. آنها برای برآورد رسوب وقایع سیلابی فاقد نمونهبرداری، از منحنی سنجه بهینه که از کلاسبندی مقادیر دبی بر اساس فصل وقوع سیلاب حاصل شده بود استفاده کردند و نتیجه را قابل قبول دانستند. همچنین دریافتند که تغییرپذیری انتقال رسوبات وابسته به توزیع فصلی بارش و ویژگیهای ژئومورفولوژیکی آبخیز است.
(۲۰۱۰) Blanco et al تغییرات زمانی بار رسوب معلق را در مقیاسهای رگبار، ماهانه، فصلی و سالانه در یک دوره سه ساله در شمال غرب اسپانیا بررسی کردند. آن ها دریافتند که منحنیهای سنجه کارایی قابل قبولی در برآورد رسوبدهی مخصوصاً در مورد وقایع سیلابی ندارند. همچنین نتایج نشان داد بیشترین رسوبدهی در زمان رویدادها اتفاق میافتد که در ۷۰ درصد مواقع پیک رسوب زودتر از پیک دبی جریان رخ داده است. از طرفی الگوهای دبی- رسوب در رویدادها عموماً ساعتگرد هستند که این نشان میدهد منابع رسوب معلق نزدیک به هم و درون جریانی هستند.
(۲۰۱۰) Zakaria et al در جند رودخانه کره برای تخمین بار رسوب با استفاده از مدل GEP به این نتیجه رسیدند که این نرم افزار با قابلیت بالا و ضریب همبستگی ۹۷/۰، قابلیت کاربرد در عملیات و مطالعات مهندسی رودخانه را دارا میباشد.
(۲۰۱۱) Aminuddin et al برای انتقال رسوب با استفاده از مدل GEP در سیستمهای لوله ای به این نتیجه رسیدند که انتقال رسوب بسته به شرایط مرزی جریان در لولههاست و این مدل میتواند این شرایط را در نظر گرفته و برآوردیآن نزدیک به واقعیت میباشد.
(۲۰۱۲) Gao et al در تغییرات زمانی انتقال رسوب به صورت روزانه و ماهانه و سالانه در حوزه نیویورک با جدا کردن آبپایه و سیلاب برای ترسیم هیدروگراف دقیق سالانه و روزانه استفاده کرده و به این نتیجه رسیدند که عوامل ژئومورفولوژیکی، فعالیتهای اکولوژیکی و شکل آبراهه بر میزان دبی رسوب معلق در این حوزه مؤثر بوده و تغییرات زمانی آن به چگالی رسوب نیز وابسته میباشد.