ارزیابی شبیه‌های مختلف شبکه‌ی عصبی مصنوعی و روشهای زمین آمار درتکمیل داده‌های 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.