Journal of Watershed Management Research

fa بازسازی داده‎ های گمشده جریان روزانه رودخانه با استفاده از الگوریتم جنگل گمشده در حوزه بلوچستان جنوبی، ایران Reconstruction of Missing Daily Streamflow Data using the MissForest Algorithm in Southern Baluchestan Basin, Iran ساير موضوعات وابسته به مديريت حوزه آبخيز ساير موضوعات وابسته به مديريت حوزه آبخيز پژوهشي Research <div style="text-align: justify;">چکیده مبسوط مقدمه و هدف: سری‌های زمانی کامل هیدرولوژیکی برای مدیریت و مدل‌سازی منابع آب و انرژی در یک اقلیم در حال تغییر حیاتی هستند. با این&lrm;حال، چنین متغیرهایی اغلب با داده‌های گمشده همراه هستند، که فرایند تجزیه و تحلیل را دشوار و یا گاهی غیرممکن می&lrm;کند. شکاف&lrm;های داده باعث مشکلاتی در تفسیر، واسنجی ناکارآمد مدل و آماره&lrm;های اُریب&lrm;دار می&lrm;شوند. در این بررسی، اعتبار یک الگوریتم ماشین یادگیری تصادفی غیرپارامتری که جنگل گمشده (MissForest) نام دارد برای پرکردن شکاف سری&lrm;های زمانی جریان روزانه در منطقه&lrm;ای با داده کمیاب و تغییرپذیری اقلیمی قوی، ارزیابی گردیده است. مواد و روش‌ها: داده&lrm;های جریان روزانه در ایستگاه&lrm;های جریان&lrm;سنجی حوزه آبریز بلوچستان جنوبی در یک دوره طولانی&lrm;مدت هیدرولوژیکی (1972/09/23 تا 2018/09/22) مورد بررسی قرار گرفته است. منطقه مورد مطالعه این پژوهش (حوزه آبریز بلوچستان جنوبی) از مجموعه حوزه آبریز خلیج فارس و دریای عمان بوده و با حدود بین سدیج و مرکز پاکستان شناخته می&lrm;شود. درصد گمشدگی بر اساس یک معیار قراردادی (کمتر از 50 درصد) به&lrm;عنوان نسبت قابل&lrm;قبول از نرخ گمشدگی در داده&lrm;های جریان انتخاب و سپس مکانیسم&lrm;ها و الگوهای گمشدگی داده&lrm;ها تعیین گردیده است. بر این اساس، تعداد ایستگاه‌های جریان‌سنجی از 11 به 7 نمونه کاهش یافته است. سپس توزیع زمانی جریان‌های روزانه گمشده در طول ماه‌های سال و فراوانی نسبی طول گمشدگی در کل دوره مورد بررسی قرار گرفته است. در ادامه، عملکرد الگوریتم بازسازی داده&lrm;های گمشده با دو سناریوی متفاوت داده گمشده مصنوعی به چالش کشیده شده است. برای این&lrm;منظور، دو نوع شکاف مصنوعی در قسمت داده‌های کامل ایجاد شده است. الف) در هر ایستگاه جریان‌سنجی یک بخش از داده‌ها (با طول 7، 14، 21، 30، 60، 180 و 365 روز) به&lrm;طور تصادفی از کل دوره حذف شده است. ب) نقاط داده منفرد شامل مقادیر مشاهده شده روزهای (30، 60، 90، 120، 180 و 365) به&lrm;طور تصادفی از کل دوره (2018-1972) حذف شده‌اند. الگوریتم جنگل گمشده برای پُرکردن شکاف‌های مصنوعی اجرا و سپس اعتبارسنجی الگوریتم در پُرکردن داده&lrm;های گمشده جریان روزانه با مقایسه سری&lrm;های پُرشده با داده&lrm;های مشاهده شده، از طریق آزمون&lrm;های سه&lrm;گانه نیکویی برازش (GoF) شامل ضریب تعیین (R2)، درصد بایاس یا اریب (PBIAS) و معیار کلینگ- کوپتا (KGE) تست شده است.  علاوه بر آن، برخی کنترل‌ها در عملکرد الگوریتم جنگل گمشده جهت حساسیت&lrm;سنجی انجام شده است. به این مفهوم که الگوریتم جنگل گمشده با درصدهای مختلف از گمشدگی داده در ایستگاه هدف (%5، %10، %15، %20، %25 و %30) و همچنین تعداد رکوردهای پیش‌بینی کننده جریان ایستگاه هدف، آزمایش شده است. یافته‌ها: نتایج نشان داد که به&lrm;طور کلی الگوریتم جنگل گمشده عملکرد رضایت&lrm;بخش و خوبی داشته و امکان شبیه&lrm;سازی دقیق و مطمئن داده&lrm;های از دست رفته را به&lrm;سرعت و به&lrm;صورت خودکار فراهم می&lrm;آورد. عملکرد الگوریتم جنگل گمشده به&lrm;شدت تابعی از تعداد رکوردهای پیش&lrm;بینی کننده، طول رکورد و نوع جریان رودخانه می&lrm;باشد. عملکرد الگوریتم جنگل گمشده به درصد گمشدگی داده‌های ایستگاه هدف حساس و به تعداد رکوردهای پیش‌بینی کننده بی&lrm;تفاوت بوده است. با افزایش درصد گمشدگی داده&lrm;ها، عملکرد الگوریتم جنگل گمشده به&lrm;طور قابل ملاحظه کاهش یافته است. علاوه بر آن، این الگوریتم گمشدگی&lrm;های کوتاه&lrm;مدت را نسبت به گمشدگی&lrm;های طولانی&lrm;مدت، دقیق&lrm;تر برآورد می&lrm;کند. عملکرد الگوریتم جنگل گمشده به تعداد رکوردهای پیش&lrm;بینی کننده حساس نمی&lrm;باشد. این وضعیت، به ماهیت هیدروفیزیوگرافی زیرحوضه&lrm;های آبریز و موقعیت ایستگاه&lrm;های آب&lrm;سنجی مربوط می&lrm;شود. تنها در صورتی عملکرد الگوریتم جنگل گمشده برای یک ایستگاه خاص با افزایش رکوردهای پیش&lrm;بینی کننده بهبود می&lrm;یابد که ایستگاه&lrm;های اهداءگر در حوضه آبریز مشترک با ایستگاه هدف قرار داشته باشند در نهایت، بازسازی شکاف&lrm;های واقعی در داده&lrm;های جریان از طریق اعمال این الگوریتم هوشمند ممکن گردید. سری&lrm;های زمانی جریان رودخانه&lrm;ها با رژیم جریان طبیعی با عملکرد خوب شبیه&lrm;سازی شد؛ درحالی&lrm;که این عملکرد برای تغییرات دبی در نتیجه ذخیره&lrm;سازی و انحراف آب برای آبیاری به&lrm;ویژه در پایین دست سدها اندکی افت داشت. عملکرد این الگورتیم در پُرکردن سری زمانی روزانه جریان با تغییرات شدید رژیم جریان مانند دبی اوج، مطلوب ارزیابی نشد. این افت عملکرد بیشتر متوجه شرایط هیدرواقلیمی حوزه آبریز مورد مطالعه است تا ساختار الگوریتم. هیدروگراف&lrm;های بازسازی شده امکان تجزیه و تحلیل تغییر و تنوع جریان و برهم&lrm;کنش آن&lrm;ها با متغیرهای آب و هوایی کلیدی را فراهم می&lrm;کنند. نتیجه‌گیری: الگوریتم جنگل گمشده به&lrm;عنوان یکی از روش&lrm;های بازسازی مبتنی بر یادگیری ماشین دارای اعتبار و عملکرد بالا در بازسازی داده&lrm;های گمشده جریان روزانه رودخانه معرفی شده و می&lrm;توان از آن به&lrm;صورت خودکار و هوشمند در بازسازی نواقص آماری جریان رودخانه در مقیاس روزانه استفاده نمود. پیشنهاد می‌گردد اثرات حوضه‌های مختلف با ویژگی‌های هیدروفیزیکی و اقلیمی خاص در مطالعات آتی بر روی عملکرد الگوریتم جنگل گمشده مورد تجزیه و تحلیل قرار گیرد. بررسی روش پیشنهادی این مطالعه در سایر مناطق هیدرواقلیمی و جغرافیایی، سنجش حساسیت به رژیم بارندگی و جریان رودخانه و در نهایت بررسی عملکرد آن در مقایسه با سایر روش‌های رایج از جمله موارد دیگری است که در مطالعات آتی می&lrm;توان به آن پرداخت.  </div> <div style="text-align: justify;">    Extended Abstract Background: Long-term hydrometeorological variables can be used for planning and managing water resources at the basin level using different physical models, such as hydrological and hydraulic models. However, such variables are often accompanied by missing data, which makes analysis difficult or sometimes impossible. Data gaps cause problems in interpretation, model calibration, and biased statistics. In this study, the validity of a non-parametric random learning machine algorithm, called MissForest, has been evaluated to fill the gap of daily streamflow series in a region with scarce data and strong climate variability. Methods: The daily streamflow data in the gauge stations of the Southern Baluchestan catchment were analyzed in a long-term hydrological period (09/23/1972 to 09/22/2018). First, the missingness percentage was selected based on a conventional criterion (less than 50%) as an acceptable ratio of the missing rate in the streamflow data, followed by investigating the mechanisms and patterns of the missing data. Accordingly, the number of gauge stations was reduced to seven samples. Then, the temporal distribution of the missing daily streamflows during the months of the year and the relative frequency of gap length were investigated during the period. Next, the performance of the missing data reconstruction algorithm was challenged with two different artificial missing data scenarios. Two types of artificial gaps were generated, namely a) Removed contiguous segments: at each gauge only a segment (having lengths of 7, 14, 21, 30, 60, 180, and 365 days) was randomly removed from the entire record (1972–2018); b) Removed single data points: observed values (30, 60, 90, 120, 180, and 365 days) were randomly removed from the entire record (1972–2018) at each of the gauges. MissForest was applied to fill the gaps contained in the records together with the artificial gaps. Our analysis includes reconstructions of the 1972–2018 period at each of the streamflow gauges. Finally, the performance of MissForest in infilling daily streamflow data was tested by comparing the filled series with the observed data using goodness-of-fit (GoF) indicators, coefficient of determination (<m:r>R</m:r><m:omath><m:ssup><m:sup><m:r>2</m:r></m:sup></m:ssup></m:omath><img alt="" id="_x0000_i1025" src="file:///C:/Users/User/AppData/Local/Temp/msohtmlclip1/01/clip_image001.png" style="width:12.75pt; height:14.25pt" > ), the percent bias (PBIAS), and the Kling-Gupta efficiency (KGE).</div> <div style="text-align: justify;"></div> <div style="text-align: justify;">Results: The MissForest algorithm generally performed satisfactorily, allowing for accurately and reliably simulating lost data quickly and automatically. The performance of the MissForest algorithm is highly dependent on the number of predictor records, record length, and streamflow type. Finally, the reconstruction of real gaps in streamflow data was possible by applying this intelligent algorithm. The river flow time series were simulated with the natural flow regime with good performance; however, this performance dropped slightly for flow rate changes as a result of water storage and diversion for irrigation, especially downstream of dams. The performance of this algorithm in filling the daily time series of flow with severe changes in the flow regime, such as peak discharge, was not evaluated optimally. This drop in performance is more related to the hydroclimatic conditions of the studied watershed than the structure of the algorithm. The reconstructed hydrographs allow for analyzing flow variability and their interaction with key climate variables. <v:shape href="https://creativecommons.org/licenses/by-nc/4.0/?ref=chooser-v1" id="Picture_x0020_17" o:button="t" style="position:absolute; left:0; text-align:left; margin-top:116px; width:63.85pt; height:22.45pt; z-index:251680768" type="#_x0000_t75"> <v:fill o:detectmouseclick="t"> </v:fill></v:shape><v:shape filled="f" id="Text_x0020_Box_x0020_16" o:gfxdata="UEsDBBQABgAIAAAAIQC75UiUBQEAAB4CAAATAAAAW0NvbnRlbnRfVHlwZXNdLnhtbKSRvU7DMBSF dyTewfKKEqcMCKEmHfgZgaE8wMW+SSwc27JvS/v23KTJgkoXFsu+P+c7Ol5vDoMTe0zZBl/LVVlJ gV4HY31Xy4/tS3EvRSbwBlzwWMsjZrlprq/W22PELHjb51r2RPFBqax7HCCXIaLnThvSAMTP1KkI +gs6VLdVdad08ISeCho1ZLN+whZ2jsTzgcsnJwldluLxNDiyagkxOquB2Knae/OLUsyEkjenmdzb mG/YhlRnCWPnb8C898bRJGtQvEOiVxjYhtLOxs8AySiT4JuDystlVV4WPeM6tK3VaILeDZxIOSsu ti/jidNGNZ3/J08yC1dNv9v8AAAA//8DAFBLAwQUAAYACAAAACEArTA/8cEAAAAyAQAACwAAAF9y ZWxzLy5yZWxzhI/NCsIwEITvgu8Q9m7TehCRpr2I4FX0AdZk2wbbJGTj39ubi6AgeJtl2G9m6vYx jeJGka13CqqiBEFOe2Ndr+B03C3WIDihMzh6RwqexNA281l9oBFTfuLBBhaZ4ljBkFLYSMl6oAm5 8IFcdjofJ0z5jL0MqC/Yk1yW5UrGTwY0X0yxNwri3lQgjs+Qk/+zfddZTVuvrxO59CNCmoj3vCwj MfaUFOjRhrPHaN4Wv0VV5OYgm1p+LW1eAAAA//8DAFBLAwQUAAYACAAAACEAU3QmZlQEAAB6DwAA HwAAAGNsaXBib2FyZC9kcmF3aW5ncy9kcmF3aW5nMS54bWzsV91OIzcUvq/UdzjyNZBJSLIQ7bDK ZstqJcoiAg/geJyMi8ee2p787Bvta/TJ+tmTQKDVorZwU6FImfHxmWP7+86f339YV5qW0nllTc66 RxkjaYQtlFnk7Pbm/PCEkQ/cFFxbI3O2kZ59OPv5p/d8tHC8LpUgWDB+xHNWhlCPOh0vSllxf2Rr aTA3t67iAUO36BSOr2C50p1elg07FVeGnT2Y+sQDp8apf2FKW3Eniwk3S+5hUovRvmS7Ry3+u2U+ MsvPrp7WVy7uXFwurxypImdAzvAKELHOdmKrhmHnyVeLBwPruauivp3PaQ0GTge9YW/AaJOz09Ns ODwetPbkOpCAQn/QO+meQEFA4/ike68gyq/PmBDlLz82gm2228HL3hZ9HTdoln89c3e4O/RN3N9H uyaIdueP+hTWkOJciWdfX4AnT8ZOSm4WcuycXZWSFz5qtEAB0XahBNpuTR9tzVa/2gII8ybYZO+F wLs/Nx/VzofP0lYUX3LmpAhpJb688KHd4E4lgWLPldbpwNo8EsBmlOARtx6nwnqagIyIFJsomeGJ YzmLleA+CMPwFX9zbVc5E1rVjErrvj2VRT04MmYYrRCEOfO/N9xJRvqLAZKn3X4f5kIa9Afvehi4 /ZnZ/gw3AqZyFhi1r5OAET5paqcWJVZquTN2DNjnaotCu/d4Cu3DNGy0TCikE0auuF4gofzWeNh1 QUeLSdlMaxFffC2uRKAlx1Q3e5dl2ZZ/vacxnoedbvCt7k4N36dZALzFN4HssLSGa+VMmsPbKZLX t5wNYTzakfM5+GyJxL55UIbCppZzLuBVE67VzClGNTfWQ5D1svNsgP/462fH8R+zKojynFdKxwCE QJTceZkoTBBI/gpGhX9xo0AOaEVcwtnE1pvENv3xHaft09htuKm4kb4kGcDmEV01M618KQuabWjK naLxwinR6NA4rmkqFCqH9PCigi55K7yW3jYuSm+NSmUmbI5iUIDXuH5ixRRX3PHrv2Ou2/2fUTd2 iutHLvYxG8K5WidLjvasiwE4eY9ZwrGNugjmW+i9eDy/cujdlMrTyro7wlMrIY1HiDWmkEii9CRW fpzjqEEpMIuU67zVqojFKXqFd4vZRLttBkWuPT/fZttHam/58XEmL7UydxNwcrdtIFEYn29y0cmB xU9WNJU0oe10nYzVxhpfqtqjII5ix+i+FLum5yEROwnFpaSJrSro0zgEp2ZN/Pjw0poolk4giVD/ KENWra0L8JeL1nH+kbuk5PtWEveK935JpBUuNyUqH7oxT43HHYmCJfBTHJBAvTygQvmWHJmKXsXv JCFs1bKlMAa1J9x/0O+aQ/HAXN24Gh0G5hw6zVBKwg0J33F9QBxJwJpFfMYJtLrozsjO08iiRisD 7nf5QqhIfu1w13L6rbK+SmWN3cp9yw4/mNbX6CLbu0Db00Mj3pE6T26dqTRvb8nxars/PvsTAAD/ /wMAUEsDBBQABgAIAAAAIQCSfYfgHQcAAEkgAAAaAAAAY2xpcGJvYXJkL3RoZW1lL3RoZW1lMS54 bWzsWUtvGzcQvhfof1jsvbFkvWIjcmDJctzEL0RKihwpidplzF0uSMqObkVy6qVAgbTooQF666Eo GqABGvTSH2PAQZv+iA65L1Ki4gdcIChsAcbu7DfD4czszOzwzt1nEfWOMReExW2/eqviezgesTGJ g7b/aLD92W3fExLFY0RZjNv+DAv/7sann9xB6yNKkiFDfDwIcYQ9EBSLddT2QymT9ZUVMQIyErdY gmN4NmE8QhJuebAy5ugEFojoymql0lyJEIn9DZAolaAehX+xFIoworyvxGAvRhGsfjCZkBHW2PFR VSHETHQp944Rbfsgc8xOBviZ9D2KhIQHbb+i//yVjTsraD1jonIJr8G3rf8yvoxhfLSq1+TBsFi0 Xm/Um5uFfA2gchHXa/WavWYhTwPQaAQ7TXWxZbZWu/UMa4DSS4fsrdZWrWrhDfm1BZ03G+pn4TUo lV9fwG9vd8GKFl6DUnxjAd/orHW2bPkalOKbC/hWZXOr3rLka1BISXy0gK40mrVuvtsCMmF0xwlf a9S3W6uZ8BIF0VBEl1piwmK5LNYi9JTxbQAoIEWSxJ6cJXiCRhCTXUTJkBNvlwQhBF6CYiaAXFmt bFdq8F/96vpKexStY2RwK71AE7FAUvp4YsRJItv+fZDqG5Czt29Pn785ff776YsXp89/zdbWoiy+ HRQHJt/7n77559WX3t+//fj+5bfp0vN4YeLf/fLVuz/+/JB42HFpirPvXr978/rs+6//+vmlQ/om R0MTPiARFt4+PvEesgg26NAfD/nlOAYhIibHZhwIFCO1ikN+T4YWen+GKHLgOti242MOqcYFvDd9 aincD/lUEofEB2FkAfcYox3GnVZ4oNYyzDyYxoF7cT41cQ8ROnat3UWx5eXeNIEcS1wiuyG21Dyk KJYowDGWnnrGjjB27O4JIZZd98iIM8Em0ntCvA4iTpMMyNCKppJph0Tgl5lLQfC3ZZu9x16HUdeu t/CxjYR3A1GH8gNMLTPeQ1OJIpfIAYqoafBdJEOXkv0ZH5m4npDg6QBT5vXGWAgXzwGH/RpOfwBp xu32PTqLbCSX5MglcxcxZiK32FE3RFHiwvZJHJrYz8URhCjyDpl0wfeY/Yaoe/ADipe6+zHBlrvP zwaPIMOaKpUBop5MucOX9zCz4rc/oxOEXalmk0dWit3kxBkdnWlghfYuxhSdoDHG3qPPHRp0WGLZ vFT6fghZZQe7Aus+smNV3cdYYE83N4t5cpcIK2T7OGBL9NmbzSWeGYojxJdJ3gevmzbvQamLXAFw QEdHJnCfQL8H8eI0yoEAGUZwL5V6GCKrgKl74Y7XGbf8d5F3DN7Lp5YaF3gvgQdfmgcSu8nzQdsM ELUWKANmgKDLcKVbYLHcX7Ko4qrZpk6+if3Slm6A7shqeiISn9sBzfU+jf+u94EO4+yHV46X7Xr6 HbdgK1ldstNZlkx25vqbZbj5rqbL+Jh8/E3NFprGhxjqyGLGuulpbnoa/3/f0yx7n286mWX9xk0n 40OHcdPJZMOV6+lkyuYF+ho18EgHPXrsEy2d+kwIpX05o3hX6MGPgO+Z8TYQFZ+ebuJiCpiEcKnK HCxg4QKONI/HmfyCyLAfogSmQ1VfCQlEJjoQXsIEDI002Slb4ek02mPjdNhZrarBZlpZBZIlvdIo 6DCokim62SoHeIV4rW2gB625Aor3MkoYi9lK1BxKtHKiMpIe64LRHEronV2LFmsOLW4r8bmrFrQA 1QqvwAe3B5/pbb9RBxZggnkcNOdj5afU1bl3tTOv09PLjGlFADTYeQSUnl5Tui7dntpdGmoX8LSl hBFuthLaMrrBEyF8BmfRqagXUeOyvl4rXWqpp0yh14PQKtVo3f6QFlf1NfDN5wYam5mCxt5J22/W GhAyI5S0/QkMjeEySiB2hPrmQjSA45aR5OkLf5XMknAht5AIU4PrpJNmg4hIzD1Koravtl+4gcY6 h2jdqquQED5a5dYgrXxsyoHTbSfjyQSPpOl2g6Isnd5Chk9zhfOpZr86WHGyKbi7H45PvCGd8ocI QqzRqioDjomAs4Nqas0xgcOwIpGV8TdXmLK0a55G6RhK6YgmIcoqipnMU7hO5YU6+q6wgXGX7RkM apgkK4TDQBVY06hWNS2qRqrD0qp7PpOynJE0y5ppZRVVNd1ZzFohLwNztrxakTe0yk0MOc2s8Gnq nk+5a3mum+sTiioBBi/s56i6FygIhmrlYpZqSuPFNKxydka1a0e+wXNUu0iRMLJ+Mxc7Z7eiRjiX A+KVKj/wzUctkCZ5X6kt7TrY3kOJNwyqbR8Ol2E4+Ayu4HjaB9qqoq0qGlzBmTOUi/SguO1nFzkF nqeUAlPLKbUcU88p9ZzSyCmNnNLMKU3f0yeqcIqvDlN9Lz8whRqWHbBmvYV9+r/xLwAAAP//AwBQ SwMEFAAGAAgAAAAhAM+3/OEEAQAA8AEAACoAAABjbGlwYm9hcmQvZHJhd2luZ3MvX3JlbHMvZHJh d2luZzEueG1sLnJlbHOskctqwzAQRfeF/oOZvSU7lFJKZG/SQhbdlPQDVHn8INbIaFQT/30nzqIN BLrpRiAJ3Tnnaluf/JjNGHkIZKBUBWRILjQDdQY+Dq/5E2ScLDV2DIQGFmSoq/u77TuONskj7oeJ M0khNtCnND1rza5Hb1mFCUlu2hC9TbKNnZ6sO9oO9aYoHnX8nQHVVWa2bwzEfbOB7LBMMvnv7NC2 g8NdcF8eKd0YoZNwoQTa2GEyoNTl5LKWSlhB38Yo/xOjF6E4DnT8QTnbsVTnIkqtM7rgvZS7djaK FTGy/lxycvpBFbqO2BrXh8AY8/kMtyq9hUaaejkljGRXF331T9U3AAAA//8DAFBLAQItABQABgAI AAAAIQC75UiUBQEAAB4CAAATAAAAAAAAAAAAAAAAAAAAAABbQ29udGVudF9UeXBlc10ueG1sUEsB Ai0AFAAGAAgAAAAhAK0wP/HBAAAAMgEAAAsAAAAAAAAAAAAAAAAANgEAAF9yZWxzLy5yZWxzUEsB Ai0AFAAGAAgAAAAhAFN0JmZUBAAAeg8AAB8AAAAAAAAAAAAAAAAAIAIAAGNsaXBib2FyZC9kcmF3 aW5ncy9kcmF3aW5nMS54bWxQSwECLQAUAAYACAAAACEAkn2H4B0HAABJIAAAGgAAAAAAAAAAAAAA AACxBgAAY2xpcGJvYXJkL3RoZW1lL3RoZW1lMS54bWxQSwECLQAUAAYACAAAACEAz7f84QQBAADw AQAAKgAAAAAAAAAAAAAAAAAGDgAAY2xpcGJvYXJkL2RyYXdpbmdzL19yZWxzL2RyYXdpbmcxLnht bC5yZWxzUEsFBgAAAAAFAAUAZwEAAFIPAAAAAA== " stroked="f" style="position:absolute; left:0; text-align:left; margin-left:407px; margin-top:109px; width:356.55pt; height:30.05pt; z-index:251678720; v-text-anchor:top" type="#_x0000_t202"></v:shape> Conclusion: The MissForest algorithm is introduced as one of the imputation methods based on machine learning with high credibility and performance in reconstructing the missing data of the daily streamflow. It can also be used automatically and intelligently in the reconstruction of the statistical defects of the river flow in the scale used daily. Future studies are suggested to analyze the effects of different watersheds with specific hydro-physical-climatic characteristics on the <v:shape filled="f" id="Text_x0020_Box_x0020_2" o:gfxdata="UEsDBBQABgAIAAAAIQC75UiUBQEAAB4CAAATAAAAW0NvbnRlbnRfVHlwZXNdLnhtbKSRvU7DMBSF dyTewfKKEqcMCKEmHfgZgaE8wMW+SSwc27JvS/v23KTJgkoXFsu+P+c7Ol5vDoMTe0zZBl/LVVlJ gV4HY31Xy4/tS3EvRSbwBlzwWMsjZrlprq/W22PELHjb51r2RPFBqax7HCCXIaLnThvSAMTP1KkI +gs6VLdVdad08ISeCho1ZLN+whZ2jsTzgcsnJwldluLxNDiyagkxOquB2Knae/OLUsyEkjenmdzb mG/YhlRnCWPnb8C898bRJGtQvEOiVxjYhtLOxs8AySiT4JuDystlVV4WPeM6tK3VaILeDZxIOSsu ti/jidNGNZ3/J08yC1dNv9v8AAAA//8DAFBLAwQUAAYACAAAACEArTA/8cEAAAAyAQAACwAAAF9y ZWxzLy5yZWxzhI/NCsIwEITvgu8Q9m7TehCRpr2I4FX0AdZk2wbbJGTj39ubi6AgeJtl2G9m6vYx jeJGka13CqqiBEFOe2Ndr+B03C3WIDihMzh6RwqexNA281l9oBFTfuLBBhaZ4ljBkFLYSMl6oAm5 8IFcdjofJ0z5jL0MqC/Yk1yW5UrGTwY0X0yxNwri3lQgjs+Qk/+zfddZTVuvrxO59CNCmoj3vCwj MfaUFOjRhrPHaN4Wv0VV5OYgm1p+LW1eAAAA//8DAFBLAwQUAAYACAAAACEAIBh3m5UDAAA/CwAA HwAAAGNsaXBib2FyZC9kcmF3aW5ncy9kcmF3aW5nMS54bWzsVttu3DYQfS/QfyD47OxKstbrLCIH jhsHKXIxvE77PEtRK6EUqZLcW576Nf2wfkkOKa293QQO2ualQPY65IwOZ84hR3r2fNsqtpbWNUYX PB0lnEktTNnoZcE/3F0/OefMedIlKaNlwXfS8ecXP/7wjGZLS13dCAYE7WZU8Nr7bjYeO1HLltzI dFLDVxnbksfQLselpQ2QWzXOkuRs3FKj+cUD1E/kia1s8y+glBG/yfKK9JocIJWYHc4MOSrx35Fp ptevbDfvbmzIXLxb31jWlAUHc5paUMTHg2MIw3B8dNXyAWBb2TbEm6pi24I/naaTCaB2BZ+epwnM iCa3ngm4J9Msn2QTzgQCsvw8O58My9XvHwUQ9cvHIZBinwqMg/RcF5LT68/rne7rvQvJvTBblt1X HqKZ32ISeyoq7Lo3UMgxba5q0kt5aa3Z1JJKFyJ6isBlv0yka7+iC1iLzVtTgltaeRPxvglt9zXT rLPOv5KmZcEouJXCx3Vo/cb5Pr19SCTEXDdKRWmUZhvoFlQ58rSNl5appi34eRJePT+h6pe6jBd7 alRvIxel404JBQckv51H8gOP5S7MLPAPMqxBhtgjOLYwamM/crbBYSy4+31FVnKmXmvw+jTNc4T5 OMixdTCwh57FoYe0AFTBPWe9eeUxSoaiLkF81QxM9HmEjJTzc79TMhYTsw1qkVqimSis5tUeQul5 J8IlrhM3wrM1wZUm04GWWP5DxGXl97He9bGRPYTh+sHraQFxQhws1hmUnJ2dhgOEEmIKwtue8/uA STbNT1MQ0QdEN0D3UDAH9qMEFsUobNeCS/3kwxyt8GPUMpIiqwq7pN8eYIJ8o5nfdbIigZ1617TS sXdyw25NS5qzjrRxcCQZ3mfJKc52jm8GK4e38aK+prZRONgpmq6oyToZhY7kSjoAvyLVLGzzN9Dr CBbAc0Di9wj0FBPHoMIdgF7ahqDZQZ4vkGcOqP3765DgD5xFSS5+NiurSTFTsV8JJ8HVsmRvSdNS tlJ7diudJCvqE/aLUSOWTk7Ya+dWMnRLqBqgAtDjQrDFvsN8l+NzhQ/lYP+I18D8d0YfZzQ7YTgZ Ofvrjz+PPqPR0UQ/HMX5L/j28aMRmyRHOkld3pCl2y+1ojTFTeXrUn2rdvG/6UEPnMU+ghtT6Cn3 99GVk/PuFs0bnTU6wo0WRnjYGR89OkbH8Kgbnk8PxxefAAAA//8DAFBLAwQUAAYACAAAACEAkn2H 4B0HAABJIAAAGgAAAGNsaXBib2FyZC90aGVtZS90aGVtZTEueG1s7FlLbxs3EL4X6H9Y7L2xZL1i I3JgyXLcxC9ESoocKYnaZcxdLkjKjm5FcuqlQIG06KEBeuuhKBqgARr00h9jwEGb/ogOuS9SouIH XCAobAHG7uw3w+HM7Mzs8M7dZxH1jjEXhMVtv3qr4ns4HrExiYO2/2iw/dlt3xMSxWNEWYzb/gwL /+7Gp5/cQesjSpIhQ3w8CHGEPRAUi3XU9kMpk/WVFTECMhK3WIJjeDZhPEISbnmwMuboBBaI6Mpq pdJciRCJ/Q2QKJWgHoV/sRSKMKK8r8RgL0YRrH4wmZAR1tjxUVUhxEx0KfeOEW37IHPMTgb4mfQ9 ioSEB22/ov/8lY07K2g9Y6JyCa/Bt63/Mr6MYXy0qtfkwbBYtF5v1JubhXwNoHIR12v1mr1mIU8D 0GgEO011sWW2Vrv1DGuA0kuH7K3WVq1q4Q35tQWdNxvqZ+E1KJVfX8Bvb3fBihZeg1J8YwHf6Kx1 tmz5GpTimwv4VmVzq96y5GtQSEl8tICuNJq1br7bAjJhdMcJX2vUt1urmfASBdFQRJdaYsJiuSzW IvSU8W0AKCBFksSenCV4gkYQk11EyZATb5cEIQRegmImgFxZrWxXavBf/er6SnsUrWNkcCu9QBOx QFL6eGLESSLb/n2Q6huQs7dvT5+/OX3+++mLF6fPf83W1qIsvh0UBybf+5+++efVl97fv/34/uW3 6dLzeGHi3/3y1bs//vyQeNhxaYqz716/e/P67Puv//r5pUP6JkdDEz4gERbePj7xHrIINujQHw/5 5TgGISImx2YcCBQjtYpDfk+GFnp/hihy4DrYtuNjDqnGBbw3fWop3A/5VBKHxAdhZAH3GKMdxp1W eKDWMsw8mMaBe3E+NXEPETp2rd1FseXl3jSBHEtcIrshttQ8pCiWKMAxlp56xo4wduzuCSGWXffI iDPBJtJ7QrwOIk6TDMjQiqaSaYdE4JeZS0Hwt2Wbvcdeh1HXrrfwsY2EdwNRh/IDTC0z3kNTiSKX yAGKqGnwXSRDl5L9GR+ZuJ6Q4OkAU+b1xlgIF88Bh/0aTn8Aacbt9j06i2wkl+TIJXMXMWYit9hR N0RR4sL2SRya2M/FEYQo8g6ZdMH3mP2GqHvwA4qXuvsxwZa7z88GjyDDmiqVAaKeTLnDl/cws+K3 P6MThF2pZpNHVord5MQZHZ1pYIX2LsYUnaAxxt6jzx0adFhi2bxU+n4IWWUHuwLrPrJjVd3HWGBP NzeLeXKXCCtk+zhgS/TZm80lnhmKI8SXSd4Hr5s270Gpi1wBcEBHRyZwn0C/B/HiNMqBABlGcC+V ehgiq4Cpe+GO1xm3/HeRdwzey6eWGhd4L4EHX5oHErvJ80HbDBC1FigDZoCgy3ClW2Cx3F+yqOKq 2aZOvon90pZugO7IanoiEp/bAc31Po3/rveBDuPsh1eOl+16+h23YCtZXbLTWZZMdub6m2W4+a6m y/iYfPxNzRaaxocY6shixrrpaW56Gv9/39Mse59vOpll/cZNJ+NDh3HTyWTDlevpZMrmBfoaNfBI Bz167BMtnfpMCKV9OaN4V+jBj4DvmfE2EBWfnm7iYgqYhHCpyhwsYOECjjSPx5n8gsiwH6IEpkNV XwkJRCY6EF7CBAyNNNkpW+HpNNpj43TYWa2qwWZaWQWSJb3SKOgwqJIputkqB3iFeK1toAetuQKK 9zJKGIvZStQcSrRyojKSHuuC0RxK6J1dixZrDi1uK/G5qxa0ANUKr8AHtwef6W2/UQcWYIJ5HDTn Y+Wn1NW5d7Uzr9PTy4xpRQA02HkElJ5eU7ou3Z7aXRpqF/C0pYQRbrYS2jK6wRMhfAZn0amoF1Hj sr5eK11qqadModeD0CrVaN3+kBZX9TXwzecGGpuZgsbeSdtv1hoQMiOUtP0JDI3hMkogdoT65kI0 gOOWkeTpC3+VzJJwIbeQCFOD66STZoOISMw9SqK2r7ZfuIHGOodo3aqrkBA+WuXWIK18bMqB020n 48kEj6TpdoOiLJ3eQoZPc4XzqWa/Olhxsim4ux+OT7whnfKHCEKs0aoqA46JgLODamrNMYHDsCKR lfE3V5iytGueRukYSumIJiHKKoqZzFO4TuWFOvqusIFxl+0ZDGqYJCuEw0AVWNOoVjUtqkaqw9Kq ez6TspyRNMuaaWUVVTXdWcxaIS8Dc7a8WpE3tMpNDDnNrPBp6p5PuWt5rpvrE4oqAQYv7Oeouhco CIZq5WKWakrjxTSscnZGtWtHvsFzVLtIkTCyfjMXO2e3okY4lwPilSo/8M1HLZAmeV+pLe062N5D iTcMqm0fDpdhOPgMruB42gfaqqKtKhpcwZkzlIv0oLjtZxc5BZ6nlAJTyym1HFPPKfWc0sgpjZzS zClN39MnqnCKrw5TfS8/MIUalh2wZr2Fffq/8S8AAAD//wMAUEsDBBQABgAIAAAAIQCcZkZBuwAA ACQBAAAqAAAAY2xpcGJvYXJkL2RyYXdpbmdzL19yZWxzL2RyYXdpbmcxLnhtbC5yZWxzhI/NCsIw EITvgu8Q9m7SehCRJr2I0KvUBwjJNi02PyRR7Nsb6EVB8LIws+w3s037sjN5YkyTdxxqWgFBp7ye nOFw6y+7I5CUpdNy9g45LJigFdtNc8VZ5nKUxikkUigucRhzDifGkhrRykR9QFc2g49W5iKjYUGq uzTI9lV1YPGTAeKLSTrNIXa6BtIvoST/Z/thmBSevXpYdPlHBMulFxagjAYzB0pXZ501LV2BiYZ9 /SbeAAAA//8DAFBLAQItABQABgAIAAAAIQC75UiUBQEAAB4CAAATAAAAAAAAAAAAAAAAAAAAAABb Q29udGVudF9UeXBlc10ueG1sUEsBAi0AFAAGAAgAAAAhAK0wP/HBAAAAMgEAAAsAAAAAAAAAAAAA AAAANgEAAF9yZWxzLy5yZWxzUEsBAi0AFAAGAAgAAAAhACAYd5uVAwAAPwsAAB8AAAAAAAAAAAAA AAAAIAIAAGNsaXBib2FyZC9kcmF3aW5ncy9kcmF3aW5nMS54bWxQSwECLQAUAAYACAAAACEAkn2H 4B0HAABJIAAAGgAAAAAAAAAAAAAAAADyBQAAY2xpcGJvYXJkL3RoZW1lL3RoZW1lMS54bWxQSwEC LQAUAAYACAAAACEAnGZGQbsAAAAkAQAAKgAAAAAAAAAAAAAAAABHDQAAY2xpcGJvYXJkL2RyYXdp bmdzL19yZWxzL2RyYXdpbmcxLnhtbC5yZWxzUEsFBgAAAAAFAAUAZwEAAEoOAAAAAA== " stroked="f" style="position:absolute; left:0; text-align:left; margin-left:-11px; margin-top:-39px; width:450.75pt; height:19.55pt; z-index:251697152; v-text-anchor:top" type="#_x0000_t202"> <v:textbox> </v:textbox> <w:wrap anchorx="margin"> </w:wrap></v:shape>performance of the MissForest algorithm. The other issues that need to be addressed in future studies include the investigation of the proposed method of this study in other climatic and geographical regions, the sensitivity measurement to the rainfall and flow regime, and finally, the investigation of its performance compared to other common methods.</div> <div style="text-align: justify;"></div><div style="text-align: justify;"></div><div style="text-align: justify;"></div><div style="text-align: justify;"></div><div style="text-align: justify;"></div><div style="text-align: justify;"></div><div style="text-align: justify;"></div><div style="text-align: justify;"></div><div style="text-align: justify;"></div><div style="text-align: justify;"></div><div style="text-align: justify;"></div> الگوریتم جنگل تصادفی, جریان رودخانه, داده گمشده, نیکویی برازش, یادگیری ماشین Goodness of fit, Machine learning, MissForest algorithm, Missing data, Streamflow 49 64 http://jwmr.sanru.ac.ir/browse.php?a_code=A-10-1925-1&slc_lang=fa&sid=1 Javad Aryanmanesh جواد آریان منش J.ariyan869@gmail.com 100319475328460014400 100319475328460014400 No Department of physical Geography, University of Sistan and Baluchestan, Zahedan, Iran گروه جغرافیای طبیعی، دانشکده جغرافیا و برنامه ‎ریزی محیطی، دانشگاه سیستان و بلوچستان، زاهدان، ایران Hamid Nazaripour حمید نظری پور h.nazaripour@gep.usb.ac.ir 100319475328460014401 100319475328460014401 Yes Department of physical Geography, University of Sistan and Baluchestan, Zahedan, Iran گروه جغرافیای طبیعی، دانشکده جغرافیا و برنامه‎ریزی محیطی، دانشگاه سیستان و بلوچستان، زاهدان، ایران Peyman Mahmoodi پیمان محمودی p_mahmoudi@gep.usb.ac.ir 100319475328460014402 100319475328460014402 No Department of physical Geography, University of Sistan and Baluchestan, Zahedan, Iran گروه جغرافیای طبیعی، دانشکده جغرافیا و برنامه‎ریزی محیطی، دانشگاه سیستان و بلوچستان، زاهدان، ایران Parviz Khosravi پرویز خسروی p.khosravi929@gmail.com 100319475328460014403 100319475328460014403 No Iran Meteorological Organization سازمان هواشناسی کشور