مقايسه روش‌هاي مختلف تخمين داده هاي گم‌شده دبي ماهانه حوزه آبخيز كارون بزرگ

مقايسه روش‌هاي مختلف تخمين داده هاي گم‌شده دبي ماهانه حوزه آبخيز كارون بزرگ

اساس و پايه مطالعات هيدرولوژي داده هاي آماري مورد قبول مي باشد با توجه به خلاهاي گسسته و پيوسته در اغلب داده هاي هيدولوژي مانند دبي رودخانه ها به دليل عدم ثبت آمار، حذف آمار غلط و خرابي يا از بين رفتن دستگاه هاي اندازه گيري، تخمين و برآورد اين داده ها ضروري مي باشد. بدين منظور روش‌هاي متعددي براي تخمين داده ها وجود دارد كه بسته به شرايط هر ايستگاه ممكن است يك روش خاص بهترين نتيجه را در پي داشته باشد. يكي از روش‌هاي جديد جهت تخمين داده‌هاي گم‌شده، استفاده از شبكه‌هاي عصبي مصنوعي مي‌باشد. اين شبكه ها از يك لايه ورودي، يك يا چند لايه مخفي و يك لايه خروجي تشكيل مي‌شود. در اين مقاله روش شبكه هاي عصبي مصنوعي با روش‌هاي نسبت نرمال، محور مختصات (گرافيكي)، رگرسيون خطي ساده، رگرسيون خطي چند متغيره و خودهمبستگي سري‌هاي زماني براي بازسازي داده هاي گم‌شده دبي ماهانه ايستگاه‌هاي هيدرومتري حوزه آبخيز كارون بزرگ مورد مقايسه قرار گرفته است. در هر روش پس از حذف داده هاي مشاهده اي، مقادير آنها از طريق روش‌هاي مذكور برآورد شده و با استفاده از آماره ريشه ميانگين مجذور مربعات خطا (RMSE) اولويت هر يك از روش‌ها مورد شناسايي قرار گرفت. نتايج نشان دهنده برتري روش استفاده از شبكه هاي عصبي مصنوعي در مقايسه با ديگر روش‌ها با درصد فراواني 26/59 مي باشد.

Acceptable statistical data is the main basis for hydrological studies. Because there are lots of continuous and disperse blanks in most of hydrological data such as river discharge, it is necessary to estimate and forecast these data by suitable methods. These blanks are caused by different factors such as loss of data record, elimination of incorrect data and disordered function of measurement instruments. There are many procedures to estimate and regenerate these data, and depending on the condition of a given station, a particular procedure may produce the best results. In this study, the method of artificial neural networks has been compared to other methods including normal ratio, graphical, simple linear regression, multivariate linear regression and time series (auto regression) methods, in order to regenerate the monthly and annual discharge data for hydrometric stations in Grand Karoon river basin. After eliminating observed data, their values were estimated using mentioned procedures. Then, the priority of each procedure was assessed by means of rooted mean square of errors (RMSE). The results of monthly data regeneration indicated that artificial neural networks was the best procedure in most stations with a frequency value of 59.26%.