<?xml version="1.0" encoding="utf-8"?>
<journal>
<title>Journal of Watershed Management Research</title>
<title_fa>پ‍‍ژوهشنامه مديريت حوزه آبخيز</title_fa>
<short_title>J Watershed Manage Res</short_title>
<subject>Agriculture</subject>
<web_url>http://jwmr.sanru.ac.ir</web_url>
<journal_hbi_system_id>1</journal_hbi_system_id>
<journal_hbi_system_user>admin</journal_hbi_system_user>
<journal_id_issn>2251-6174</journal_id_issn>
<journal_id_issn_online>2676-4636</journal_id_issn_online>
<journal_id_pii></journal_id_pii>
<journal_id_doi>10.61882/jwmr</journal_id_doi>
<journal_id_iranmedex></journal_id_iranmedex>
<journal_id_magiran></journal_id_magiran>
<journal_id_sid></journal_id_sid>
<journal_id_nlai></journal_id_nlai>
<journal_id_science></journal_id_science>
<language>fa</language>
<pubdate>
	<type>jalali</type>
	<year>1389</year>
	<month>1</month>
	<day>1</day>
</pubdate>
<pubdate>
	<type>gregorian</type>
	<year>2010</year>
	<month>4</month>
	<day>1</day>
</pubdate>
<volume>1</volume>
<number>1</number>
<publish_type>online</publish_type>
<publish_edition>1</publish_edition>
<article_type>fulltext</article_type>
<articleset>
	<article>


	<language>fa</language>
	<article_id_doi></article_id_doi>
	<title_fa>مقایسه روش‌های مختلف تخمین داده‌های گم‌شده دبی ماهانه حوزه آبخیز کارون بزرگ</title_fa>
	<title></title>
	<subject_fa>تخصصي</subject_fa>
	<subject>Special</subject>
	<content_type_fa>پژوهشي</content_type_fa>
	<content_type>Research</content_type>
	<abstract_fa>&lt;p&gt;  اساس و پایه مطالعات هیدرولوژی داده­های آماری مورد قبول می­باشد با توجه به خلأهای گسسته و پیوسته در اغلب داده­های هیدولوژی مانند دبی رودخانه­ها به دلیل عدم ثبت آمار، حذف آمار غلط و خرابی یا از بین رفتن دستگاه­های اندازه­گیری، تخمین و برآورد این داده­ها ضروری می­باشد. بدین منظور روش‌های متعددی برای تخمین داده­ها وجود دارد که بسته به شرایط هر ایستگاه ممکن است یک روش خاص بهترین نتیجه را در پی داشته باشد. یکی از روش‌های جدید جهت تخمین داده‌های گم‌شده، استفاده از شبکه‌های عصبی مصنوعی می‌باشد. این شبکه­ها از یک لایه ورودی، یک یا چند لایه مخفی و یک لایه خروجی تشکیل می‌ش و د. در این مقاله روش شبکه­های عصبی مصنوعی با روش‌های نسبت نرمال، محور مختصات (گرافیکی)، رگرسیون خطی ساده، رگرسیون خطی چند متغیره و خودهمبستگی سری‌های زمانی برای بازسازی داده­های گم‌شده دبی ماهانه ایستگاه‌های هیدرومتری حوزه آبخیز کارون بزرگ مورد مقایسه قرار گرفته است. در هر روش پس از حذف داده­های مشاهده­ای، مقادیر آنها از طریق روش‌های مذکور برآورد شده و با استفاده از آماره ریشه میانگین مجذور مربعات خطا ( RMSE ) اولویت هر یک از روش‌ها مورد شناسایی قرار گرفت. نتایج نشان دهنده برتری روش استفاده از شبکه­های عصبی مصنوعی در مقایسه با دیگر روش‌ها با درصد فراوانی 26/59 می­باشد . &lt;/p&gt;</abstract_fa>
	<abstract></abstract>
	<keyword_fa>بازسازی داده‌های گم شده، حوزه آبخیز کارون بزرگ، شبکه‌های عصبی مصنوعی،دبی ماهانه </keyword_fa>
	<keyword></keyword>
	<start_page>59</start_page>
	<end_page>73</end_page>
	<web_url>http://jwmr.sanru.ac.ir/browse.php?a_code=A-10-1-36&amp;slc_lang=fa&amp;sid=1</web_url>


<author_list>
	<author>
	<first_name></first_name>
	<middle_name></middle_name>
	<last_name></last_name>
	<suffix></suffix>
	<first_name_fa></first_name_fa>
	<middle_name_fa></middle_name_fa>
	<last_name_fa>نقدی</last_name_fa>
	<suffix_fa></suffix_fa>
	<email></email>
	<code>1003194753284600954</code>
	<orcid>1003194753284600954</orcid>
	<coreauthor>Yes
</coreauthor>
	<affiliation></affiliation>
	<affiliation_fa></affiliation_fa>
	 </author>


	<author>
	<first_name></first_name>
	<middle_name></middle_name>
	<last_name></last_name>
	<suffix></suffix>
	<first_name_fa></first_name_fa>
	<middle_name_fa></middle_name_fa>
	<last_name_fa>شایان نژاد</last_name_fa>
	<suffix_fa></suffix_fa>
	<email></email>
	<code>1003194753284600955</code>
	<orcid>1003194753284600955</orcid>
	<coreauthor>No</coreauthor>
	<affiliation></affiliation>
	<affiliation_fa></affiliation_fa>
	 </author>


	<author>
	<first_name></first_name>
	<middle_name></middle_name>
	<last_name></last_name>
	<suffix></suffix>
	<first_name_fa></first_name_fa>
	<middle_name_fa></middle_name_fa>
	<last_name_fa>ساداتی‌نژاد</last_name_fa>
	<suffix_fa></suffix_fa>
	<email></email>
	<code>1003194753284600956</code>
	<orcid>1003194753284600956</orcid>
	<coreauthor>No</coreauthor>
	<affiliation></affiliation>
	<affiliation_fa></affiliation_fa>
	 </author>


</author_list>


	</article>
</articleset>
</journal>
