TY - JOUR T1 - Estimation of Missing Daily Precipitation and Runoff Using Self-Organizing Map (A Case Study: Mazandaran Province) TT - تخمین داده‌های گمشده بارش و رواناب روزانه با استفاده از نگاشت خودسامانده (مطالعه موردی استان مازندران) JF - JSTNAR JO - JSTNAR VL - 23 IS - 4 UR - http://jstnar.iut.ac.ir/article-1-3629-fa.html Y1 - 2019 SP - 1 EP - 17 KW - Unsupervised neural network KW - Infilling time series KW - Missing data N2 - 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 92/0 و برای داده‌های رواناب تا 95/0 محاسبه شد. لذا پیشنهاد می‌شود برای کاهش عدم اطمینان ناشی از داده‌های ناکافی در مدیریت منابع آب، از این روش استفاده شود. M3 10.47176/jwss.23.4.38421 ER -