ارزيابي كارايي روش هاي مرسوم و رايانه اي در بازسازي سري زماني دبي ماهانه ايستگاه هاي هيدرومتري

عدم وجود آمار و اطلاعات كامل، نمي‌تواند مجوزي براي عدم مطالعه شرايط هيدرولوژيكي يك منطقه و پيش‌بيني‌هاي درازمدت براي انجام يك پروژه آبي باشد. بنابراين پژوهشگران مختلف روش‌هايي از قبيل آناليز نسبت‌ها، فرگمنت و توماس فيرينگ را براي بازسازي داده‌هاي ناقص دبي در ايستگاه‌‌هاي هيدرومتري به كار برده‌اند. لذا در اين پژوهش دقت روش‌‌هاي مذكور با روش‌‌هاي رايانه‌اي از قبيل شبكه عصبي مصنوعي، هيبريد عصبي موجكي و ماشين بردار پشتيبان مورد مقايسه و بررسي قرار گرفته است. نتايج نشان داد كه روش‌‌‌‌هاي رايانه‌اي نسبت به سه روش ديگر از دقت بالاتري برخوردار هستند. مقايسه نتايج روش‌هاي رايانه‌اي نشان داد شبكه عصبي مصنوعي (R^2=0.98,RMSE=6.18,SE=0.476)، ماشين بردار پشتيبان (R^2=0.902,RMSE=6.074,SE=0.486) و هيبريد عصبي موجكي (R^2=0.889,RMSE=6.96,SE=0.54) به ترتيب در رتبه‌هاي اول تا سوم قرار دارند. اگرچه سه روش شبكه عصبي مصنوعي، ماشين بردار پشتيبان و هيبريد عصبي – موجكي تفاوت معنا داري در مقايسه با يكديگر ندارند اما روش ماشين بردار پشتيبان با سهولت بيشتر و در زمان كمتري قادر به بازسازي بوده و از اين جهت نسبت به ساير روش‌ها ارجحيت دارد.