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

نوع مقاله : مقالات پژوهشی

نویسندگان

دانشگاه تهران

چکیده

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.

کلیدواژه‌ها


عنوان مقاله [English]

Spatial Interpolation of Annual Rainfall using Artificial Neural Networks and Evaluation of Results by the Comprehensive Validation Approach

نویسنده [English]

  • mohamad moghadas
چکیده [English]

Missing or unsampled data dependent on the hydrological processes are always known as a common and repetitive problem for hydrologists and modelers. Among hydrological variables, rainfall data are critical for hydrological analysis as well as water resources planning and management systems; their estimation is needed in many hydrological modeling studies. In this paper, the potential of artificial neural networks in spatial interpolation of rainfall has been assessed, and also, conventional methods of spatial interpolation are used to have a reasonable basis for the comparison. As a case study, annual rainfall data from Karkheh River Basin in a period of 41 years were used. In order to evaluate the performance of used methods, a comprehensive validation approach is presented based on correlation of each method estimates with the annual discharge of station, which is located downstream of the basin. The results showed that cross-validation approach cannot provide a complete evaluation of the performance of different methods, and the proposed comprehensive approach, provides a basis for determination the suitable spatial interpolation method. According to the results, correlation coefficient of estimates of ordinary kriging (OK), generalized regression neural network (GRNN), inverse distance weighting (IDW) and radial basis function neural network (RBFNN) methods with annual discharge of the basin were equal to 0.846, 0.840, 0.837, and 0.824, respectively, that observed little difference proved the applicability of GRNN and RBFNN methods for spatial interpolation. Generally, it can be concluded that performance of GRNN is comparable to OK; moreover, it needs less predefined parameters and has more clarity and simplicity than OK, give they GRNN more advantage and attractiveness to use.

کلیدواژه‌ها [English]

  • Spatial interpolation
  • Generalized regression neural network
  • Radial basis function neural network
  • Cross-validation
  • Comprehensive validation