ارزیابی شبیه های مختلف شبکه ی عصبی مصنوعی و روشهای زمین آمار درتکمیل داده های مفقود بارش روزانه

افزایش دقت براورد داده­های مفقود بارش روزانه، بویژه در حوضه­های بزرگ آبخیز با شبکه باران سنجی غیر متراکم، یکی از چالشهای آبشناسها می­باشد. در این مطالعه، شش شبیه شبکه عصبی مصنوعی به نامهای mlp، tlfn، rbf، rnn، tdrnn وcfnn با روشهای مختلف اعتبار سنجی برای تکمیل داده­های مفقود بارش روزانه در مقایسه با روشهای زمین آمار کریجینگ و کوکریجینگ با شبیه­های مختلف مورد بررسی قرار گرفته اند. برای ارزیابی دقت شبیه­های مختلف در تکمیل داده­های مفقود، از داده­های بارش 15 ایستگاه بارانسنجی موجود در حوضه­ی رود کرخه استفاده شده است. نتایج نشان می­دهند که شبیه­های mlp، tlfn، cfnn وکوکریجینگ می­توانند دقیقترین برآورد را از مقادیر گم شده ارائه دهند، هرچند به نظر می­رسد که شبیه mlp در براورد داده­های مفقود بارش موثرتر از بقیه است. همچنین، بر اساس نتایج به دست آمده، شبیه rnn و tdrnn در مورد داده­های بارش تناسب کمتری داشته، و ضعیفترین نتیجه مربوط به شبیه rbf است. روش کریجینگ از روشهای برتر عملکرد ضعیفتری داشته، اما از شبیه­های rnn و tdrnnو rbf بهتر است.