ارزيابي شبيه هاي مختلف شبكه ي عصبي مصنوعي و روشهاي زمين آمار درتكميل داده هاي مفقود بارش روزانه

افزايش دقت براورد داده­هاي مفقود بارش روزانه، بويژه در حوضه­هاي بزرگ آبخيز با شبكه باران سنجي غير متراكم، يكي از چالشهاي آبشناسها مي­باشد. در اين مطالعه، شش شبيه شبكه عصبي مصنوعي به نامهاي MLP، TLFN، RBF، RNN، TDRNN وCFNN با روشهاي مختلف اعتبار سنجي براي تكميل داده­هاي مفقود بارش روزانه در مقايسه با روشهاي زمين آمار كريجينگ و كوكريجينگ با شبيه­هاي مختلف مورد بررسي قرار گرفته اند. براي ارزيابي دقت شبيه­هاي مختلف در تكميل داده­هاي مفقود، از داده­هاي بارش 15 ايستگاه بارانسنجي موجود در حوضه­ي رود كرخه استفاده شده است. نتايج نشان مي­دهند كه شبيه­هاي MLP، TLFN، CFNN وكوكريجينگ مي­توانند دقيقترين برآورد را از مقادير گم شده ارائه دهند، هرچند به نظر مي­رسد كه شبيه MLP در براورد داده­هاي مفقود بارش موثرتر از بقيه است. همچنين، بر اساس نتايج به دست آمده، شبيه RNN و TDRNN در مورد داده­هاي بارش تناسب كمتري داشته، و ضعيفترين نتيجه مربوط به شبيه RBF است. روش كريجينگ از روشهاي برتر عملكرد ضعيفتري داشته، اما از شبيه­هاي RNN و TDRNNو RBF بهتر است.