مجتبی نساجی زواره؛ باقر قرمز چشمه؛ فاطمه رحیم زاده
چکیده
برای برآورد دبی روزانه در مدلهای هیدرولوژی نیاز به دبیهای پیوسته در بازه زمانی روزانه هست. تعداد سالهای آماری متفاوت، نواقص آماری و خطای اندازهگیری باعث ایجاد سریهای زمانی با پایه زمانی غیرمشترک میگردد. بنابراین بازسازی دادههای دبی روزانه از اهمیت ویژهای برخوردار است. این تحقیق بهمنظور بازسازی دبی روزانه ...
بیشتر
برای برآورد دبی روزانه در مدلهای هیدرولوژی نیاز به دبیهای پیوسته در بازه زمانی روزانه هست. تعداد سالهای آماری متفاوت، نواقص آماری و خطای اندازهگیری باعث ایجاد سریهای زمانی با پایه زمانی غیرمشترک میگردد. بنابراین بازسازی دادههای دبی روزانه از اهمیت ویژهای برخوردار است. این تحقیق بهمنظور بازسازی دبی روزانه در یکی از سرشاخههای رودخانه کارون و در دو مرحله انجام گرفت. در هر دو مرحله تحقیق با استفاده از دادههای دبی روزانه دو ایستگاه بالادست و روشهای شبکه عصبی، فازی-عصبی و رگرسیون دومتغیره دبی روزانه ایستگاه پائیندست بازسازی گردید. در مرحله دوم با گروهبندی مقادیر دبی به سالهای خشک، نرمال و مرطوب دبی روزانه بازسازی شد. نتایج نشان داد روشهای شبکه عصبی و فازی دارای دقت بالاتری نسبت به روش رگرسیون دومتغیره برای بازسازی دبی روزانه بود. بین مدلهای مختلف شبکه عصبی و فازی مدل شبکه عصبی پرسپترون (MLP)دارای قابلیت مناسبتری نسبت به بقیه مدلها است. همچنین گروهبندی دبی به سالهای خشک، نرمال و مرطوب باعث کاهش خطا در بازسازی دبی روزانه گردید. بر اساس شاخص میانگین خطای نسبی (MRE) به ترتیب سالهای نرمال، مرطوب و خشک کمترین خطا در بازسازی دبی روزانه را دارند.