Isazadeh M, Mohammadi P, Dinpazhoh Y. Evaluation of Artificial Neural Network and Multiple Linear Regression Models to Estimate the Daily Missing data Flow (Runoff) in (Case Study: Santeh Gauging Station- Kordestan Province). jwss 2018; 21 (4) :143-159
URL:
http://jstnar.iut.ac.ir/article-1-3314-fa.html
عیسی زاده محمد، محمدی پروا، دین پژوه یعقوب. ارزیابی مدلهای شبکه عصبی مصنوعی و رگرسیون خطی چندگانه در تخمین دادههای گم شده جریان روزانه (مطالعه موردی: ایستگاه هیدرومتری سنته- استان کردستان). علوم آب و خاک. 1396; 21 (4) :143-159
URL: http://jstnar.iut.ac.ir/article-1-3314-fa.html
1. گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز ، mohammadi.parva@yahoo.com
چکیده: (7859 مشاهده)
تحلیلهای آماری و پیشبینی دادههای جریان نقش بهسزایی در مدیریت و مهندسی سامانههای آبی ایفا میکند. اساسیترین مشکل تحلیلهای آماری و پیشبینی جریان در کشور ایران، عدم وجود دوره آماری طولانی و نقص دادههای جریان ایستگاههای هیدرومتری موجود میباشد. با توجه به موارد ذکر شده در این مطالعه، دادههای جریان روزانه ایستگاه هیدرومتری سنته واقع در استان کردستان با استفاده از دادههای ایستگاههای هیدرومتری و هواشناسی مجاور این ایستگاه تخمین زده شد. این تخمین بهازای شانزده ترکیب مختلف، شامل دادههای جریان روزانه ایستگاههای هیدرومتری صفا خانه و پل آنیان و بارش روزانه ایستگاه باران سنجی سنته صورت گرفت. در این تحقیق تخمین جریان روزانه ایستگاه سنته در هر یک از ماههای سال، بهازای شانزده ترکیب مختلف و مدلهای شبکه عصبی مصنوعی و رگرسیون خطی چندگانه مورد ارزیابی قرار گرفت. عملکرد هر یک از مدلها با شاخصهای RMSE، CC، NS و آماره t-student ارزیابی شد. نتایج حاکی از عملکرد خوب هر دو مدل بود ولی مدل شبکه عصبی مصنوعی در تخمین جریان روزانه اکثر ماههای سال بهتر از مدل رگرسیونی عمل کرد. میانگین خطای مدلهای شبکه عصبی مصنوعی و رگرسیون خطی چندگانه در ماههای سال بهترتیب برابر با 31/6 و 07/8 مترمکعب بر ثانیه برآورد گردید. لازم بهذکر است که شبکه عصبی مصنوعی بهازای هر یک از شانزده ترکیب بهکار گرفته شده، عملکرد بهتری نسبت به مدل رگرسیونی داشت.
نوع مطالعه:
پژوهشي |
موضوع مقاله:
عمومی دریافت: 1395/5/14 | پذیرش: 1395/12/17 | انتشار: 1396/11/23