ارزیابی شبیههای مختلف شبکهی عصبی مصنوعی و روشهای زمین آمار درتکمیل دادههای مفقود بارش روزانه
محورهای موضوعی : مقالات برگرفته از پایان نامه
نادره طایفه نسکیلی
1
(دانشجوی دکترای گروه عمران، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، تهران، ایران)
بنفشه زهرائی
2
(دانشیار دانشکده مهندسی عمران، پردیس دانشکده های فنی، دانشگاه تهران)
بهرام ثقفیان
3
(استاد گروه عمران، دانشگاه آزاد اسلامی واحد علوم و تحقیقات، تهران، ایران)
کلید واژه: زمین آمار, شبکهی عصبی مصنوعی, بازسازی دادههای مفقود, بارش روزانه,
چکیده مقاله :
افزایش دقت براورد دادههای مفقود بارش روزانه، بویژه در حوضههای بزرگ آبخیز با شبکه باران سنجی غیر متراکم، یکی از چالشهای آبشناسها میباشد. در این مطالعه، شش شبیه شبکه عصبی مصنوعی به نامهای MLP، TLFN، RBF، RNN، TDRNN وCFNN با روشهای مختلف اعتبار سنجی برای تکمیل دادههای مفقود بارش روزانه در مقایسه با روشهای زمین آمار کریجینگ و کوکریجینگ با شبیههای مختلف مورد بررسی قرار گرفته اند. برای ارزیابی دقت شبیههای مختلف در تکمیل دادههای مفقود، از دادههای بارش 15 ایستگاه بارانسنجی موجود در حوضهی رود کرخه استفاده شده است. نتایج نشان میدهند که شبیههای MLP، TLFN، CFNN وکوکریجینگ میتوانند دقیقترین برآورد را از مقادیر گم شده ارائه دهند، هرچند به نظر میرسد که شبیه MLP در براورد دادههای مفقود بارش موثرتر از بقیه است. همچنین، بر اساس نتایج به دست آمده، شبیه RNN و TDRNN در مورد دادههای بارش تناسب کمتری داشته، و ضعیفترین نتیجه مربوط به شبیه RBF است. روش کریجینگ از روشهای برتر عملکرد ضعیفتری داشته، اما از شبیههای RNN و TDRNNو RBF بهتر است.
Improving the accuracy of the missing precipitation data, particularly in large watershed with low-density precipitation network, is one of the challenges of the hydrologists. This study investigated six different types of artificial neural networks, namely: the MLP, the TLFN, the RBF, the RNN, the TDRNN, the CFNN along with different optimization methods, and geostatistical methods namely the Kriging and the Cokriging models for infilling the missing daily precipitation. Daily precipitation records from 15 rain gaging stations located within the Karkheh Watershed in the southwest Iran, were used to evaluate the accuracy of different models for infilling data gaps of daily precipitation. The results suggest that the MLP, the TLFN the CFNN and the Cokriging can provide more accurate estimates of the missing precipitation values than the other ones. However, the MLP overall appears to be the most effective method for infilling the missing daily precipitation values. Moreover, the results show that the dynamically driven networks (RNN and TDRNN) are less suitable for infilling the daily precipitation records whereas the RBF are appeared to be fairly suitable. Also, the kriging model is less effective than the MLP, the Cokriging, the TLFN and the CFNN models, but shows better results than the RNN, TDRNN and RBF networks.