تخمين و بازسازي داده هاي حداكثر بارش 24 ساعته در استان چهارمحال و بختياري با استفاده از رگرسيون فازي

Reconstruction of annual maximum 24-h rainfall data using fuzzy regression in Chaharmahal&Bakhtiari Province

اساس مطالعات هيدرولوژي و هواشناسي، داده هاي آماري پيوسته و كافي است. حداكثر بارش 24 ساعته سالانه، در زمينه-هاي مختلف طراحي تاسيسات آبي و مهندسي استفاده مي شود. رگرسيون فازي به عنوان يك ابزار انعطاف پذير كه قابليت استفاده در بسياري از سامانه ها را دارد، جهت ارايه و توسعه يك تكنيك جديد براي تخمين و بازسازي داده هاي حداكثر بارش 24 ساعته بكار گرفته شده است. در اين تحقيق كارآيي استفاده از رگرسيون فازي در بازسازي داده هاي حداكثر بارش 24 ساعته در استان چهارمحال و بختياري صورت گرفت. براي ارزيابي كارايي مدل فوق، از شاخص هاي آماري RMSE، P% و R2 استفاده شد. نتايج بدست آمده از مدل رگرسيون فازي با روش هاي نسبت نرمال، محورهاي مختصات، رگرسيون ساده و رگرسيون چند متغيره مورد مقايسه قرار گرفت. مقدار ضريب تعيين (R2) ميان مقادير مشاهده اي و برآورد شده حاصل از مدل رگرسيون فازي در اقليم بسيار مرطوب، نيمه مرطوب، مديترانه اي و نيمه خشك به‌ترتيب برابر با 67/0، 75/0، 81/0 و 87/0 به‌دست آمد. نتايج بازسازي در هر يك از چهار اقليم موجود در اين استان نشان‌دهنده برتري معني دار تكنيك رگرسيون فازي نسبت به ساير روش هاي متداول است.

Adequate and continuous statistical data is the base for hydrology and meteorology studies. Annual maximum 24-h rainfall can be used in different aspects of engineering and design of water course. As a flexible tool that may be adapted to many systems, fuzzy regression was employed to develop a new technique for estimating of missed annual maximum 24-h rainfall data. This research carried out to evaluate the performance of fuzzy regression for reconstruction of annual maximum 24-h rainfall data in Chaharmahal & Bakhtiyari province. To assess the above mentioned model RMSE, P%, R2 were used as statistical indices. The result of obtained from fuzzy regression model was compared with other methods such as normal ratio, graphical, simple linear regression and multivariate linear regression. The determination coefficients (R2) between observed and predicted values by fuzzy regression model were obtained 0.67, 0.75, 0.81 and 0.87 for very-humid, semi-humid, Mediterranean and semi-arid climate zones respectively. The results of reconstructed data indicated that fuzzy regression technique has significant preference comparing other usual method in all the four studied climates in the Province.