بررسی کارایی روشهای رگرسیون خطی، شبکه عصبی مصنوعی و سیستم های عصبی فازی تطبیقی در بازسازی داده های بارندگی (مطالعه موردی بازسازی آمار بارش ماهانه)

مسئله داده های گم شده (missing value) جزء مواردی است که در اکثر کارهای علمی با آن مواجه هستیم. در مواردی چون مدل سازی بارش و روان آب، برآورد بارش یک منطقه از روی ایستگاه های هواشناسی مجاور منطقه وجود سری داده ها با طول آماری مناسب و بدون داده های از دست رفته بسیار با اهمیت می باشد. . در تحقیق حاضر از روش های رگرسیون خطی (LR)، شبکه عصبی مصنوعی (ANN) و سیستم های عصبی فازی تطبیقی (ANFIS) به منظور تخمین داده های گم شده استفاده شد. در مدل (ANN ) شبکه های MLP و RBF با 5 نوع تابع فعالیت به کار گرفته شد. در مدل (ANFIS) توابع عضویت 11 گانه بکارگرفته شد. بر اساس رابطه بین آمار موجود ایستگاه و ایستگاه مبنا در هر روش پس از حذف داده های مشاهده ای، مقادیر آنها از طریق روش های مذکور برآورد شده و با استفاده از آماره های ریشه میانگین مجذور مربعات خطا (RMSE) و ضریب همبستگی (R^2) اولویت هر یک از روش ها مورد شناسایی قرار گرفت. در بین مدل های مذکور رگرسیون خطی با R^2=0.85 و RMSE=0.041 و از مدل های (ANN) مدل (RBF 1-28-1) با R^2=0.86 و RMSE=0.046 و از مدل های (ANFIS) مدل guass2 با دو تابع عضویت با R^2=0.86 و RMSE=0.073 بهترین ساختارها شناخته شدند.

کلیدواژه ها:

بارش ، سیستم های عصبی فازی تطبیقی ، شبکه عصبی مصنوعی ، داده های گم شده ، رگرسیون خطی