ارزیابی شبیههای مختلف شبکهی عصبی مصنوعی و روشهای زمین آمار درتکمیل دادههای مفقود بارش روزانه
الموضوعات :
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)
الکلمات المفتاحية: زمین آمار, شبکهی عصبی مصنوعی, بازسازی دادههای مفقود, بارش روزانه,
ملخص المقالة :
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.