بررسی روش های مختلف بازسازی بارش روزانه

سال انتشار: 1402
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 78

فایل این مقاله در 18 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JWIM-13-2_003

تاریخ نمایه سازی: 25 تیر 1402

چکیده مقاله:

یکی از مشکلات متخصصان و طراحان، سری های زمانی ناقص در مطالعات هیدرولوژی است که باعث ایجاد خطا در نتایج شده و اجرای پروژه ها را دچار مشکل می کند. این مسئله در مناطقی که تعداد ایستگاه های باران سنجی محدود است، حادتر است. در حال حاضر استفاده از روش های آماری به منظور رفع خلاهای آماری داده ها متداول است. پژوهش حاضر با هدف ارزیابی عملکرد روش بازسازی مقادیر گم شده بارندگی روزانه با استفاده از بسته waterData در نرم افزار R و روش شکننده زمانی مقادیر بازسازی شده سالانه به مقادیر روزانه در بازه زمانی ۱۹۹۰ تا ۲۰۲۰ با استفاده از ۴۳ ایستگاه دارای آمار کامل در بین ۸۷ ایستگاه سینوپتیک منتخب واقع در ایران انجام شد. براساس مقادیر میانگین شاخص های ارزیابی برای دو روش شکننده زمانی و بازسازی با استفاده از بسته waterData در نرم افزار R، برای شاخص CC به ترتیب ۱ و ۹۵/۰، برای شاخص MBE به ترتیب صفر و ۰۱/۰-، برای شاخص RMSE به ترتیب ۳/۰ و ۱/۱، برای شاخص NSE به ترتیب ۹۹/۰ و ۸۹/۰ و برای شاخص CSI و POD به ترتیب ۹۴/۰ و ۶۳/۰ است که عملکرد بهتر روش شکننده زمانی را نشان داده است. مقادیر میانگین شاخص Bias و FAR برای دو روش به ترتیب برابر ۰۱/۰- و صفر بوده و نشان دهنده عملکرد مشابه دو روش است.

نویسندگان

هانیه سادات کرباسی

گروه مهندسی آب، فاضلاب و محیط زیست، دانشکده مهندسی عمران، آب و محیط زیست، دانشگاه شهید بهشتی، تهران، ایران.

علی مریدی

گروه مهندسی آب، فاضلاب و محیط زیست، دانشکده مهندسی عمران، آب و محیط زیست، دانشگاه شهید بهشتی، تهران، ایران.

سید سعید موسوی ندوشنی

گروه مهندسی آب، فاضلاب و محیط زیست، دانشکده مهندسی عمران، آب و محیط زیست، دانشگاه شهید بهشتی، تهران، ایران.

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Anandhi, A., Frei, A., Pierson, D. C., Schneiderman, E. M., ...
  • Bahrami, M., Amiri, M., Maharloiee, , Rezaie, & Ghafari, K. ...
  • Breinl, K., & Di Baldassarre, G. (۲۰۱۹). Space-time disaggregation of ...
  • Villazón, M. F., & Willems, P. (۲۰۱۰, May). Filling gaps ...
  • Faghih, H., Bahmanesh, J., & Khalili, K. (۲۰۱۸). Spatio-temporal simulation ...
  • Farzandi, M., Sanaeinejad, H., Ghahraman, B., & Sarmad, M. (۲۰۱۹). ...
  • Gao, P., Mu, X. M., Wang, F., & Li, R. ...
  • Khalili, A., & Rahimi, J. (۲۰۱۴). High-resolution spatiotemporal distribution of ...
  • Kosari, M. R., Hosieni, M., Esmaielzade, S., & Miri, M. ...
  • Lookzadeh, S. (۲۰۰۵). Evaluation of several methods in reconstruction of ...
  • Mengistu, S., Gessesse, B., Bedada, T. B., & Tibebe, D. ...
  • Mianabadi, A., Alizadeh, A., Sanaeinejad, H., Awal, M. B., & ...
  • Mirzaiee, N., & Saraf, A. (۲۰۲۱). Application of data integration ...
  • Matinzahe, M. M., Fatahi, R., Shayannejad, M., & Abdulahi, K. ...
  • Mwale, F. D., Adeloye, A. J., & Rustum, R. (۲۰۱۲b). ...
  • Ryberg, K. R., & Vecchia, A. V. (۲۰۱۷). Vignette for ...
  • Sachindra, D. A., & Perera, B. J. C. (۲۰۱۶). Annual ...
  • Searcy, J. K., & Hardison, C. H. (۱۹۶۰). Double-Mass Curves. ...
  • Tang, G., Clark, M. P., Papalexiou, S. M., Ma, Z., ...
  • Tardivo, G., & Berti, A. (۲۰۱۲). A dynamic method for ...
  • Teegavarapu, R. S. (۲۰۱۴). Missing precipitation data estimation using optimal ...
  • Teetor, P. (۲۰۱۱). Recipes for State Space Models in R. ...
  • Zhang, T., Yang, Y., Dong, Z., & Gui, S. (۲۰۲۱). ...
  • نمایش کامل مراجع