میز خدمت الکترونیک
دوره ویراستاری

  اخبار و اعلانات

 آمار

تعداد نشریات127
تعداد شماره‌ها7,238
تعداد مقالات77,634
تعداد مشاهده مقاله161,102,747
تعداد دریافت فایل اصل مقاله120,794,985
گنجی گوهری, فاطمه, نظری پور, حمید, پودینه, محمدرضا, حمیدیان پور, محسن, قائمی, علیرضا, تیموری, رضا. (1405). بازسازی داده‌های گم‌شده جریان روزانه رودخانه کاجو با انتساب چندگانه معادلات زنجیره‌ای. , 16(1), 141-162. doi: 10.22059/jwim.2026.408919.1280
فاطمه گنجی گوهری; حمید نظری پور; محمدرضا پودینه; محسن حمیدیان پور; علیرضا قائمی; رضا تیموری. "بازسازی داده‌های گم‌شده جریان روزانه رودخانه کاجو با انتساب چندگانه معادلات زنجیره‌ای". , 16, 1, 1405, 141-162. doi: 10.22059/jwim.2026.408919.1280
گنجی گوهری, فاطمه, نظری پور, حمید, پودینه, محمدرضا, حمیدیان پور, محسن, قائمی, علیرضا, تیموری, رضا. (1405). 'بازسازی داده‌های گم‌شده جریان روزانه رودخانه کاجو با انتساب چندگانه معادلات زنجیره‌ای', , 16(1), pp. 141-162. doi: 10.22059/jwim.2026.408919.1280
گنجی گوهری, فاطمه, نظری پور, حمید, پودینه, محمدرضا, حمیدیان پور, محسن, قائمی, علیرضا, تیموری, رضا. بازسازی داده‌های گم‌شده جریان روزانه رودخانه کاجو با انتساب چندگانه معادلات زنجیره‌ای. , 1405; 16(1): 141-162. doi: 10.22059/jwim.2026.408919.1280

بازسازی داده‌های گم‌شده جریان روزانه رودخانه کاجو با انتساب چندگانه معادلات زنجیره‌ای

مدیریت آب و آبیاری
دوره 16، شماره 1، تیر 1405، صفحه 141-162    اصل مقاله (1.93 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22059/jwim.2026.408919.1280
نویسندگان
فاطمه گنجی گوهری1؛ حمید نظری پور* 1؛ محمدرضا پودینه1؛ محسن حمیدیان پور1؛ علیرضا قائمی1؛ رضا تیموری2
1گروه جغرافیای طبیعی، دانشکده جغرافیا و برنامه‌ریزی محیطی، دانشگاه سیستان و بلوچستان، زاهدان، ایران.
2گروه مهندسی آب، دانشکده مهندسی آب و خاک، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران.
چکیده
مقادیر گمشده در مطالعات هیدرولوژی یک چالش رایج برای هیدرولوژیست‌ها محسوب می‌شود، به‌ویژه در تحلیل‌های آماری که به مجموعه داده‌های کامل نیاز است. این پژوهش، عملکرد روش انتساب چندگانۀ جایگزینی مبتنی بر معادلات زنجیره‌ای (MICE) را در پیش‌بینی و بازسازی مقادیر جریان روزانه رودخانه ارزیابی می‌کند. محدوده مورد مطالعه پژوهش، حوضه آبریز رودخانه کاجو در جنوب‌شرق ایران و دوره آماری آن در بازه سال‌های هیدرولوژیکی 1352-1351 تا 1401-1400 می‌باشد. برای بررسی و اعتبارسنجی کارایی رویکرد MICE در مدیریت داده‌های گمشده جریان، از داده‌های تاریخی روزانه کامل جریان در بازه سال‌های هیدرولوژیکی 1392-1391 تا 1401- 1400 استفاده شده است. در ادامه، روش‌های MICE همراه با رگرسیون خطی چندگانه (MLR) برای بازسازی کُل مقادیر گمشده جریان روزانه به‌کار گرفته شده است. برترین روش‌های برآورد با معیارهایی از قبیل ضریب تعیین تعدیل شده (Adj R^2)، خطای استاندارد (RSE) و میانگین درصد خطای مطلق (MAPE) ارزیابی شده است. یافته‌ها نشان داد که روش درختان طبقه‌بندی و رگرسیون (CART) ترکیب شده با MLR با بالاترین مقدار Adj R^2 و کمترین مقادیر RSE و MAPE در مقایسه با سایر روش‌های آزمون شده دارای عملکرد بهتری بوده است. مقادیر RSE و MAPE روش CART-MLR، در ایستگاه پیرسهراب به ترتیب472/0 و 583/0 و در ایستگاه چندوکان 475/0 و 588/0 می‌باشد.
کلیدواژه‌ها
داده گم‌شده؛ جریان رودخانه؛ انتساب‌‌های چندگانه؛ معادلات زنجیره‌ای؛ درختان طبقه‌بندی و رگرسیون
مراجع
  1. Adeloye, A.J. (1996). An opportunity loss model for estimating the value of streamflow data for reservoir planning. Water Resources Management, 10 (1), 45-79.
  2. Ahmat Zainuri, N., Aziz Jemain, A., & Muda, N. (2015). A comparison of various imputation methods for missing values in air quality data. Sains Malaysiana, 44 (3), 449-456.
  3. Ahn, K.H. (2021). Streamflow estimation at partially gaged sites using multiple-dependence conditions via vine copulas. Hydrology and Earth System Sciences, 25 (8), 4319-4333.
  4. Aryanmanesh, J., Nazaripour, H., Mahmoodi, P., & Khosravi, P. (2024). Reconstruction of Missing Daily Streamflow Data using the MissForest Algorithm in Southern Baluchestan Basin, Iran. J Watershed Manage Res., 15(2), 49-64.
  5. Bertsimas, D., Pawlowski, C., & Zhuo, Y.D. (2018). From predictive methods to missing data imputation: an optimization approach. Journal of Machine Learning Research, 18 (2018), 1-39.
  6. Breiman, L., et al. (1984). Classification and regression trees. New York: Wadsworth Publishing.
  7. Campozano, L., et al. (2014). Evaluation of infilling methods for time series of daily precipitation and temperature: the case of the Ecuadorian Andes. Maskana, 5 (1), 99-115.
  8. Carey, A.M., & Paige, G.B. (2016). Ecological site-scale hydrologic response in a semiarid rangeland watershed. Rangeland Ecology and Management, 69 (6), 481-490.
  9. Chhabra, G., Vashisht, V., & Ranjan, J. (2017). A comparison of multiple imputation methods for data with missing values. Indian Journal of Science and Technology, 10 (19), 1-7.
  10. De’ath, G., & Fabricius, K.E. (2000). Classification and regression trees: a powerful yet simple technique for ecological data analysis. Ecology, 81 (11), 3178-3192.
  11. Devineni, N., et al. (2013). A tree-ring-based reconstruction of Delaware River basin streamflow using hierarchical Bayesian regression. Journal of Climate, 26 (12), 4357-4374.
  12. Donders, A.R.T., et al. (2006). Review: a gentle introduction to imputation of missing values. Journal of Clinical Epidemiology, 59 (10), 1087-1091.
  13. Dong, Y., & Peng, C.-Y.J. (2013). Principled missing data methods for researchers. SpringerPlus, 2 (1), 1-17.
  14. Erdal, H.I., & Karakurt, O. (2013). Advancing monthly streamflow prediction accuracy of CART models using ensemble learning paradigms. Journal of Hydrology, 477 (2013), 119-128.
  15. Feizi, H., & Sattari, M. T. (2026). Streamflow Forecasting Based on PatchTST, LSTM, and Ensemble Learning Approaches. Water Resources Management, 40(1), 44.
  16. Gao, Y. (2017). Dealing with missing data in hydrology - data analysis of discharge and groundwater time-series in Northeast Germany. Germany: Freie Universität Berlin.
  17. Gill, M.K., et al. (2007). Effect of missing data on performance of learning algorithms for hydrologic predictions: implications to an imputation technique. Water Resources Research, 43 (7), 1-12.
  18. Gires, A., Tchiguirinskaia, I., & Schertzer, D. (2021). Infilling missing data of binary geophysical fields using scale invariant properties through an application to imperviousness in urban areas. Hydrological Sciences Journal, 66 (7), 1197-1210.
  19. Hamzah, F.B., et al. (2020). Imputation methods for recovering streamflow observation : a methodological review. Cogent Environmental Science, 6 (1), 21.
  20. Hamzah, F.B., et al. (2021). A comparison of multiple imputation methods for recovering missing data in hydrological studies. Civil Engineering Journal, 7 (9), 1608-1619.
  21. Hamzah, F. B., Mohamad Hamzah, F., Mohd Razali, S. F., & El-Shafie, A. (2022). Multiple imputations by chained equations for recovering missing daily streamflow observations: A case study of Langat River basin in Malaysia. Hydrological Sciences Journal, 67(1), 137-149.
  22. Harvey, C.L., Dixon, H., & Hannaford, J. (2012). An appraisal of the performance of data-infilling methods for application to daily mean river flow records in the UK. Hydrology Research, 43 (5), 618-637.
  23. Heitjan, D.F., & Rubin, D.B. (1990). Inference from coarse data via multiple imputation with application to age heaping. Journal of the American Statistical Association, 85 (410), 304-314.
  24. Islam Khan, S., & Hoque, A.S.M.L. (2020). SICE: an improved missing data imputation technique background and related works. Journal of Big Data, 7 (1), 37.
  25. Jamil, J.M. (2012). Partial least squares structural equation modelling with incomplete data: an investigation of the impact of imputation methods. The University of Bradford.
  26. Johnston, C.A. (1999). Development and evaluation of infilling methods for missing hydrologic and chemical watershed monitoring data. Virginia Polytechnic Institute and State University.
  27. Kamaruzaman, I.F., Wan Zin, W.Z., & Mohd Ariff, N. (2017). A comparison of method for treating missing daily rainfall data in Peninsular Malaysia. Malaysian Journal of Fundamental and Applied Sciences, 13 (4), 375-380. (Special Issue on Some Advances in Industrial and Applied Mathematics).
  28. Karakurt, O., et al. (2013). Comparing ensembles of decision trees and neural networks for one-day-ahead stream flow predict. Scientific Research Journal, 1 (15), 43-54.
  29. Kim, S.U., & Lee, K.S. (2009). Regional low flow frequency analysis using Bayesian regression and prediction at ungauged catchment in Korea. KSCE Journal of Civil Engineering, 14 (1), 87-98.
  30. Little, R.J.A., & Rubin, D.B. (2002). Statistical analysis with missing data, hlm. 2nd Edisi. Hoboken, New Jersey: John Wiley & Sons, Inc.
  31. Mispan, M.R., et al. (2015). Missing river discharge data imputation approach using artificial neural network. ARPN Journal of Engineering and Applied Sciences, 10 (22), 10480-10485.
  32. Mohamad Hamzah, F., Mohd Yusoff, S.H., & Jaafar, O. (2019). L-moment-based frequency analysis of high-flow at the Sungai Langat, Kajang, Selangor, Malaysia. Sains Malaysiana, 48 (7), 1357-1366. L-Moment-Based.
  33. Müller, K.-R., et al. (1997). Predicting time series with support vector machines. In: W. Gerstner, et al., (eds) Artificial Neural Networks — ICANN’97. ICANN 1997. Lecture Notes in Computer Science. Berlin Heidelberg: Springer.
  34. Mwale, F.D., Adeloye, A.J., & Rustum, R. (2012). Infilling of missing rainfall and streamflow data in the Shire River basin, Malawi - A self organizing map approach. Physics and Chemistry of the Earth, 50-52 (2012), 34-43.
  35. Nekoeeyan, M. A., Radmanesh, F., & Ahmadi, F. (2022). Prediction of Monthly Streamflow Using Shannon Entropy and Wavelet Theory Approaches (Case study: Maroon River). Water and Irrigation Management, 12(1), 15-31. 
  36. Nor, S.M.C.M., et al. (2020). A comparative study of different imputation methods for daily rainfall data in east-coast Peninsular Malaysia. Bulletin of Electrical Engineering and Informatics, 9 (2), 635-643.
  37. Norazizi, N.A.A., & Deni, S.M. (2019). Comparison of Artificial Neural Network (ANN) and other imputation methods in estimating missing rainfall data at Kuantan Station. Soft Computing in Data Science, 5th International Conference, SCDS 2019, hlm, Singapore. Iizuka, Japan: Springer, 298-308.
  38. Plaia, A., & Bondì, A.L. (2006). Single imputation method of missing values in environmental pollution data sets. Atmospheric Environment, 40 (38), 7316-7330.
  39. Rahman, N.F.A., et al. (2015). Semi distributed hydro climate model; The Xls2NCascii program approach for weather generator. ARPN Journal of Engineering and Applied Sciences, 10 (15), 6619-6622.
  40. Regonda, S.K., et al. (2013). Short-term ensemble streamflow forecasting using operationally-produced single-valued streamflow forecasts-A Hydrologic Model Output Statistics (HMOS) approach. Journal of Hydrology, 497 (2013), 80-96.
  41. Schenker, N., & Taylor, J.M.G. (1996). Partially parametric techniques for multiple imputation. Computational Statistics and Data Analysis, 22 (4), 425-446.
  42. Schmitt, P., Mandel, J., & Guedj, M. (2015). A comparison of six methods for missing data imputation. Journal of Biometrics & Biostatistics, 6 (1), 1-6.
  43. Semiromi, M.T., & Koch, M. (2019). Reconstruction of groundwater levels to impute missing values using singular and multichannel spectrum analysis: application to the Ardabil Plain, Iran. Hydrological Sciences Journal, 64 (14), 1711-1726.
  44. Su, Y.-S., et al. (2011). Multiple imputation with diagnostics (mi) in R: opening windows into the black box. Journal of Statistical SoftwareSoftware, 45 (2), 31.
  45. Tencaliec, P., et al. (2015). Reconstruction of missing daily streamflow data using dynamic regression models. Water Resources Research, American Geophysical Union, 51 (12), 9447-9463.
  46. Tencaliec, P. (2017). Developments in statistics applied to hydrometeorology: imputation of streamflow data and semiparametric precipitation modeling. Universite Grenoble Alpes.
  47. Tyralis, H., Papacharalampous, G., & Langousis, A. (2019). A brief review of random forests for water scientists and practitioners and their recent history in water resources. Water, 11 (5), 1-37.
  48. van Buuren, S. (2007). Multiple imputation of discrete and continuous data by fully conditional specification. Statistical Methods in Medical Research, 16 (3), 219-242.
  49. van Buuren, S., & Groothuis-Oudshoorn, K. (2011). Mice : Multivariate Imputation by Chained Equations in R. Journal of Statistical Software, 45 (3), 1-67.
  50. Van Loon, A.F., & Laaha, G. (2015). Hydrological drought severity explained by climate and catchment characteristics. Journal of Hydrology, 526, 3-14.
  51. Vezza, P., et al. (2010). Low flows regionalization in north-western Italy. Water Resources Management, 24 (14), 4049-4074.
  52. White, I.R., & Wood, A.M. (2011). Multiple imputation using chained equations : issues and guidance for practice. Statistics in Medicine, 30 (4), 377-399.
  53. Widaman, K.F. (2006). Missing Data: what to do with or without them. Monographs of the Society for Research in Child Development, 71 (1), 210-211.
  54. Zhao, Y., & Long, Q. (2016). Multiple imputation in the presence of high-dimensional data. Statistical Methods in Medical Research, 25 (5), 2021-2035.
  55. Zvarevashe, W., Krishnannair, S., & Sivakumar, V. (2019). Analysis of rainfall and temperature data using ensemble empirical mode decomposition. Data Science Journal, 18 (1), 1-9.
آمار
تعداد مشاهده مقاله: 265
تعداد دریافت فایل اصل مقاله: 92





سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب