>
Fa   |   Ar   |   En
   تخمین داده‌های گمشده بارش و رواناب روزانه با استفاده از نگاشت خودسامانده (مطالعه موردی استان مازندران)  
   
نویسنده اسلامی جمال آباد ساناز ,شرافتی احمد ,محمدی گل افشانی عمادالدین ,فرسادنیا فرهاد
منبع علوم آب و خاك - 1398 - دوره : 23 - - کد همایش: - صفحه:1 -17
چکیده    یکی از مشکلات پیش‌روی متخصصان و طراحان پروژه‌های آبی، سری‌های زمانی ناقص در علم هیدرولوژی است که باعث بروز خطا در نتایج مطالعات شده و اجرای پروژه‌ها را دچار مشکل می‌کند. این مساله در مناطقی که تعداد ایستگاه‌های هیدرومتری و باران‌سنجی محدود است، حادتر است. از طرفی ارزیابی، توسعه و استفاده پایدار از منابع آبی نیازمند در اختیار داشتن سری‌های زمانی هیدرولوژیکی با کیفیت بالا و طول مدت کافی است. لذا این موضوع رفع نواقص آماری را ایجاب می‌کند و اهمیت چگونگی مواجه شدن با این مشکلات در آنالیزهای هیدرولوژیکی را نشان می‌دهد. در حال حاضر استفاده از روش‌های آماری به‌منظور رفع خلاء‌های آماری و بازسازی داده‌ها متداول است. در این مطالعه به‌منظور معرفی روشی چندمتغیره در برآورد داده‌های گمشده مربوط به بارش و رواناب، در یک منطقه همگن از لحاظ هیدرولوژیکی در استان مازندران، روش نگاشت‌های خودسازمانده تحت دو سناریو مورد بررسی قرار گرفت و تخمین‌های قابل اعتمادی را به‌دست آورد. به‌نحوی که مقادیر ضریب همبستگی بین داده‌های مشاهداتی و خروجی مدل برای داده‌های بارش تا 0.92 و برای داده‌های رواناب تا 0.95 محاسبه شد. لذا پیشنهاد می‌شود برای کاهش عدم اطمینان ناشی از داده‌های ناکافی در مدیریت منابع آب، از این روش استفاده شود.
کلیدواژه شبکه‌عصبی غیرنظارت شونده، بازسازی سری‌های زمانی، داده‌های گمشده
آدرس دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران, گروه مدیریت ساخت و آب, ایران, دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران, گروه مدیریت ساخت و آب, ایران, دانشگاه آزاد اسلامی واحد علوم و تحقیقات, گروه مدیریت ساخت و آب, ایران, دانشگاه فردوسی مشهد, دانشکده کشاورزی, گروه مهندسی آب, ایران
 
   Estimation of Missing Daily Precipitation and Runoff Using Self-Organizing Map (A Case Study: Mazandaran Province)  
   
Authors Sharafati A. ,Mohammadi Golafshani E. ,Farsadania F. ,Eslami Jamal Abad1 S.
Abstract    Expert aquatic designers face many problems; among these, in hydrology, defective occurrences in timeseries can cause errors in the ultimate results of the study. This more often happens in the regions where the number of hydrometric and rain gauge stations is limited. In addition, assessing, developing and maintaining the use of water resources require accessible longterm and highquality quality hydrological timeseries. Thus, this necessitates correcting the statistical flaws and magnifies the importance of how to deal with the problems in the hydrological analyses. Statistical methods are, currently, used to infill data and statistical gaps. In this study, in order to introduce a multivariate method for estimating the missing data on rainfall and runoff, in a hydrologic homogeneous region in the Mazandaran province, selforganizing map methods were examined under two scenarios and some reliable estimates were obtained. In this regard, the correlation coefficients between the observational data and the model output were calculated for the precipitation data up to 0.92 and up to 0.95 for the runoff data. Therefore, to avoid the reduction of uncertainty caused by the inadequate data in water resource management, this method could be used.
Keywords Unsupervised neural network ,Infilling time series ,Missing data
 
 

Copyright 2023
Islamic World Science Citation Center
All Rights Reserved