ارزیابی شبیه‌های مختلف شبکه‌ی عصبی مصنوعی و روشهای زمین آمار درتکمیل داده‌های مفقود بارش روزانه

افزایش دقت براورد داده های مفقود بارش روزانه، بویژه در حوضه های بزرگ آبخیز با شبکه باران سنجی غیر متراکم، یکی از چالشهای آبشناسها می باشد. در این مطالعه، شش شبیه شبکه عصبی مصنوعی به نامهای mlp، tlfn، rbf، rnn، tdrnn وcfnn با روشهای مختلف اعتبار سنجی برای تکمیل داده های مفقود بارش روزانه در مقایسه با روشهای زمین آمار کریجینگ و کوکریجینگ با شبیه های مختلف مورد بررسی قرار گرفته اند. برای ارزیابی دقت شبیه های مختلف در تکمیل داده های مفقود، از داده های بارش 15 ایستگاه بارانسنجی موجود در حوضه ی رود کرخه استفاده شده است. نتایج نشان می دهند که شبیه های mlp، tlfn، cfnn وکوکریجینگ می توانند دقیقترین برآورد را از مقادیر گم شده ارائه دهند، هرچند به نظر می رسد که شبیه mlp در براورد داده های مفقود بارش موثرتر از بقیه است. همچنین، بر اساس نتایج به دست آمده، شبیه rnn و tdrnn در مورد داده های بارش تناسب کمتری داشته، و ضعیفترین نتیجه مربوط به شبیه rbf است. روش کریجینگ از روشهای برتر عملکرد ضعیفتری داشته، اما از شبیه های rnn و tdrnnو rbf بهتر است.

Evaluation of Six Neural Networks and Two Geostatistical Methods for Generating the Missing Precipitation Data

Improving the accuracy of the missing precipitation data, particularly in large watershed with lowdensity 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.