Abstract
دادههای از دست رفته یا برداشت نشده وابسته به فرآیندهای هیدرولوژی، بهعنوان یک مسئله رایج و تکراری، همواره برای هیدرولوژیستها و مدلسازان مطرح میباشند. از میان متغیرهای هیدرولوژیکی، دادههای بارندگی برای تحلیل هیدرولوژیکی و همچنین طراحی و مدیریت سامانههای منابع آب حیاتی هستند و تخمین این دادهها در بسیاری از مطالعات مدلسازی هیدرولوژیکی موردنیاز است. در مقاله حاضر، پتانسیل شبکههای عصبی مصنوعی در درونیابی مکانی بارندگی مورد ارزیابی قرار گرفته و همچنین از روشهای مرسوم درونیابی مکانی برای داشتن یک مبنای مقایسه منطقی استفاده شده است. از اطلاعات بارندگی سالانه حوضه آبریز رودخانه کرخه در دورهای 41 ساله بهعنوان مطالعه موردی استفاده شده و بهمنظور ارزیابی عملکرد روشهای مورد استفاده، رویکرد اعتبارسنجی جامعی بر مبنای همبستگی تخمینهای هر روش با آبدهی سالانه ایستگاه هیدرومتری واقع در پاییندست حوضه ارائه شده است. نتایج نشان میدهد رویکرد اعتبارسنجی متقابل نمیتواند ارزیابی کامل عملکرد روشهای مختلف را بههمراه داشته باشد و رویکرد جامع ارائه شده، مبنای مناسبی برای تشخیص روش درونیابی مکانی مناسبتر فراهم میآورد. براساس نتایج، ضریب همبستگی تخمینهای روشهای کریجینگ معمولی (OK)، شبکه عصبی رگرسیون عمومی (GRNN)، وزندهی عکس فاصله (IDW) و شبکه عصبی تابع پایه شعاعی (RBFNN) با آبدهی سالانه حوضه، بهترتیب برابر 846/0، 840/0، 837/0 و 824/0 بهدست آمد که اختلاف ناچیز موجود، کاربردپذیری روشهای GRNN و RBFNN برای درونیابی مکانی را اثبات میکند. بهطور کلی میتوان نتیجه گرفت، عملکرد GRNN با OK قابل مقایسه بوده و نیاز به پیشتعریف پارامترهای کمتر و شفافیت و سادگی بیشتر GRNN، مزیت و جذابیت بیشتری به کاربرد آن نسبت به OK میبخشد.
Talk to us
Join us for a 30 min session where you can share your feedback and ask us any queries you have