fa ارزیابی عملکرد روش‌های مختلف در بازسازی داده های بارش ماهانه پژوهشي Research <p dir="RTL" style="text-align: justify;"><strong>در کلیه مطالعات اقلیمی نیاز به داده‌های صحیح و قابل اعتماد می&shy;باشد. روش‌های متعددی برای بازسازی داده ها وجود دارند که بسته به نوع داده‌ها و خصوصیات آب و هوائی هر منطقه تعدادی از آن‌ها مورد استفاده قرار می&shy;گیرد. در این تحقیق بخشی از داده‌های بارش ماهانه ایستگاه سینوپتیک شهر سراب در استان آذربایجان‌شرقی به صورت تصادفی داده های فرضی در نظر گرفته شد. سپس برای بررسی میزان کارایی، روش‌های متعدد بازسازی داده ها، هفت روش کلاسیک آماری و مدل درختی ام‌5 بعنوان یکی از روش‌های کارآمد داده‌کاوی و به کمک داده&shy;های بارش ایستگاه&shy;های مجاور تخمین گردید. نتایج نشان داد از بین روش‌های کلاسیک آماری بررسی شده به ترتیب روش&shy;های انتساب چندگانه، نسبت نرمال و&nbsp; رگرسیون خطی چند متغیره دارای نتایج نسبتا دقیق‌تر با خطاهای کمتری می‌باشند. بررسی کلی نتایج نشان داد که مدل درختی ام‌5 با توسعه قوانین اگر-آنگاه با ارائه چهار رابطه خطی ساده با آماره‌های (ضریب همبستگی برابر 974/0، ضریب نش-ساتکلیف برابر 948/0، ریشه میانگین مربعات خطا برابر 11/5 (میلی‌متر) و میانگین خطای مطلق برابر با 189/4 (میلی‌متر) دقیق‌ترین نتیجه را در بین تمامی روش‌های بررسی شده در این مطالعه ارائه می&shy;دهد. لذا با توجه به سادگی روند مدل‌سازی، کاربردی و قابل فهم بودن و داشتن دقت بالا استفاده از آن برای تخمین مقادیر گم‌شده بارش ماهانه پیشنهاد می‌گردد.</strong></p> <p dir="RTL"></p> <p style="text-align: justify;">There are numerous methods to estimate missing values of which some are used depending on the data type and regional climatic characteristics. In this research, part of the monthly precipitation data in Sarab synoptic station, east Azerbaijan province, Iran was randomly considered missing values. In order to study the effectiveness of various methods to estimate missing data, by seven classic statistical methods and M5 model tree as one of efficient data mining methods, hypothetical missing values were estimated using precipitation data from neighbor station. The results showed that multiple imputation, Delta Learning Rule, and Multivariable Linear Regression (MLR) yield relatively more accurate results with fewer errors. The results also indicate the fact that, developing if-then rules, M5 tree model, as one of modern data mining methods, has been able to give the most accurate results among the mentioned methods with four simple linear relationship and statistical values including correlation coefficient (0.974), Nash-Sutcliffe model efficiency coefficient (0.948), RMSE (5.11), and MAE (4.189). Therefore, taking simple modeling process, functionality, comprehensibility, and high accuracy of this method into account, this method is proposed to estimate monthly precipitation missing values.</p> <p></p><p></p> بازسازی داده‌ها, بارش ماهانه, مدل درختی ام5, روش نسبت نرمال, روش‌های کلاسیک آماری. Restoring data, Monthly Rainfall, M5 Model tree, Normal Ratio Method, Classical Statistical Methods. 155 176 http://jgs.khu.ac.ir/browse.php?a_code=A-10-2-44&slc_lang=fa&sid=1 علی رضازاده جودی alijoudi66@gmail.com 10031947532846003562 10031947532846003562 Yes دانشگاه آزاد محمد تقی ستاری mtsattar@gmail.com 10031947532846003563 10031947532846003563 No دانشگاه آزاد