Journal of Water and Soil Science

fa ارزیابی مدل‌های شبکه عصبی مصنوعی و رگرسیون خطی چندگانه در تخمین داده‌های گم شده جریان روزانه (مطالعه موردی: ایستگاه هیدرومتری سنته- استان کردستان) Evaluation of Artificial Neural Network and Multiple Linear Regression Models to Estimate the Daily Missing data Flow (Runoff) in (Case Study: Santeh Gauging Station- Kordestan Province) عمومی Ggeneral پژوهشي Research <div style="text-align: justify;">تحلیل‌های آماری و پیش‌بینی داده‌های جریان  نقش به‌سزایی در مدیریت و مهندسی سامانه‌های آبی ایفا می‌کند. اساسی‌ترین مشکل تحلیل‌های آماری و پیش‌بینی جریان در کشور ایران، عدم وجود دوره آماری طولانی و نقص داده‌های جریان ایستگاه‌های هیدرومتری موجود می‌باشد. با توجه به موارد ذکر شده در این مطالعه، داده‌های جریان روزانه ایستگاه هیدرومتری سنته واقع در استان کردستان با استفاده از داده‌های ایستگاه‌های هیدرومتری و هواشناسی مجاور این ایستگاه تخمین زده شد. این تخمین به‌ازای شانزده ترکیب مختلف، شامل داده‌های جریان روزانه ایستگاه‌های هیدرومتری صفا خانه و پل آنیان و بارش روزانه ایستگاه باران ‌سنجی سنته صورت گرفت. در این تحقیق تخمین جریان روزانه ایستگاه سنته در هر یک از ماه‌های سال، به‌ازای شانزده ترکیب مختلف و مدل‌های شبکه عصبی مصنوعی و رگرسیون خطی چندگانه مورد ارزیابی قرار گرفت. عملکرد هر یک از مدل‌ها با شاخص‌های RMSE، CC، NS و آماره t-student ارزیابی شد. نتایج حاکی از عملکرد خوب هر دو مدل بود ولی مدل شبکه عصبی مصنوعی در تخمین جریان روزانه اکثر ماه‌های سال بهتر از مدل رگرسیونی عمل کرد. میانگین خطای مدل‌های شبکه عصبی مصنوعی و رگرسیون خطی چندگانه در ماه‌های سال به‌ترتیب برابر با 31/6 و 07/8 مترمکعب بر ثانیه برآورد گردید. لازم به‌ذکر است که شبکه عصبی مصنوعی به‌ازای هر یک از شانزده ترکیب به‌کار گرفته شده، عملکرد بهتری نسبت به مدل رگرسیونی داشت.</div> <div style="text-align: justify;">Statistical analysis and forecast discharge data play an important role in management and development of water systems. The most fundamental issues of statistical analysis and forecast discharge in Iran are lack of data in long term period and lack of stream flow data in gauging stations. Considering the issues mentioned in this study, we tried to estimate the daily data flow (runoff) of Santeh gauging station in Kordestan province using the nearby hydrometric and meteorological stations data. This estimation occurred based on the sixteen different input combinations, including data of daily flow of hydrometric stations Safakhaneh and Polanian and daily runoff in Santeh precipitation gauging station. In this research, the daily flow estimation of the Santeh station in each of the months of the year was evaluated for sixteen different combinations and artificial neural network models and multiple linear regressions. The performance of each model was evaluated with the indicators RMSE, CC, NS and t-student statistic. The results showed good performance of both models but the performance of the artificial neural network model was better than the regression model in estimation of the daily runoff in the most months of the year. Mean error of artificial neural network and multiple linear regression models was respectively estimated as 6.31 and 8.07 m3/s in the months of the year. It should be noted that the artificial neural network, for each sixteen combination used, had better result than the regression model.</div> تخمین داده گم‌شده, شبکه عصبی, رگرسیون خطی چندگانه, ایستگاه سنته Artificial Neural Network, Estimating missing data, Multiple linear regression, Santeh station. 143 159 http://jstnar.iut.ac.ir/browse.php?a_code=A-10-3535-1&slc_lang=fa&sid=1 M. Isazadeh محمد عیسی زاده Mohammadisazade@gmail.com No 1. Dept. of Water Eng., Faculty of Agric., Tabriz Univ., Tabriz. Iran. 1. گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز P. Mohammadi پروا محمدی mohammadi.parva@yahoo.com Yes 1. Dept. of Water Eng., Faculty of Agric., Tabriz Univ., Tabriz. Iran. 1. گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز Y. Dinpazhoh یعقوب دین پژوه dinpashoh@yahoo.com No 1. Dept. of Water Eng., Faculty of Agric., Tabriz Univ., Tabriz. Iran. 1. گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز