درونیابی مکانی بارندگی سالانه با شبکههای عصبی مصنوعی و ارزیابی نتایج با رویکرد اعتبارسنجی جامع

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.