کاربرد خوشه بندی سلسله مراتبی برای افزایش کارایی نگاشت ویژگی خود سامان در شناسایی مناطق همگن هیدرولوژیکی به منظور برآورد سیلاب

آب و خاک

مقاله 7، دوره 29، شماره 5، آذر 1394، صفحه 1207-1218   

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jsw.v29i5.34143

نویسندگان

فرهاد فرسادنیا^* ؛ بیژن قهرمان

دانشگاه فردوسی مشهد

چکیده

شناسایی گروه های همگن هیدرولوژیک یکی از مباحث بنیادی هیدرولوژی در دو بعد کاربردی و تحقیقاتی است. یکی از روش های معمول به منظور دستیابی به مناطق همگن هیدرولوژیکی برای برآورد منطقه ای سیلاب، استفاده از روش های خوشه بندی است. چندین تحقیق از نگاشت ویژگی خود سامان (SOM) در این خصوص استفاده شده است. تفسیر نقشه خروجی مشکل اصلی این روش است. هدف از این تحقیق کاربرد روش خوشه بندی دو مرحله ای نگاشت ویژگی خود سامان و سلسله مراتبی وارد (Ward) به منظور تعیین مناطق همگن هیدرولوژیک در حوضه های آبخیز استان های خراسان شمالی و رضوی است. ابتدا ابعاد ماتریس ورودی SOM با تحیل مولفه ی اصلی کاهش یافت. سپس از SOM برای تشکیل نقشه ویژگی دو بعدی استفاده شد. پس از آن گره های خروجی SOM بمنظور تعیین مناطق همگن در تحلیل فراوانی سیلاب به عنوان ورودی برای روش وارد به کار رفت. سپس توسط آزمون ناهمگنی هاسکینگ و والیس، پنج منطقه که از لحاظ هیدرولوژیکی از یک فرآیند سیلاب پیروی می کردند، شناسایی شدند. نتایج نشان داد که روش ترکیبی نگاشت ویژگی خود سامان و سلسله مراتبی وارد با ورودی مولفه های اصلی به مراتب کاراتر از روش های سلسله مراتبی تنها با ورودی های استاندارد شده یا مولفه های اصلی، در دستیابی به مناطق همگن هیدرولوژیک است.

کلیدواژه‌ها

تحلیل مولفه ی اصلی؛ تحلیل فراوانی منطقه ای سیلاب؛ خوشه بندی ترکیبی؛ گشتاورهای خطی

مراجع

1- Chavoshi S., Azmin Sulaiman W.N., Saghafian B., Sulaiman MD. N.B. and Latifah A.M. 2012. Soft and hard clustering methods for delineation of hydrological homogeneous regions in the southern strip of the Caspian Sea Watershed, Journal of Flood Risk Management, 5 (4): 282–294.

2- Di Prinzio M., Castellarin A., and Toth E. 2011. Data-driven catchment classification: application to the pub problem. Hydrol, Earth System Sci, 15 (6): 1921–1935.

3- Farsadnia F., and Moghaddamnia A. 2014. Regional Flood Frequency Analysis by Self-Organizing Feature Maps and Fuzzy Clustering Approach, Iran-Water Resources Research, 9 (3): 24-36.

4- Farsadnia F., Rostami Kamrood M., Moghaddam Nia A., Modarres R., Bray M.T., Han D., and Sadatinejad, J. 2014. Identification of homogeneous regions for regionalization of watersheds by two-level self-organizing feature maps, Journal of Hydrology, 509: 387–397.

5- Haykin S. 2003. Neural Networks: A Comprehensive Foundation. Fourth Indian Reprint, Pearson Education, Singapore.

6- Hosking J.R.M. 1986. The theory of probability weighted moments. Res. Rep. RC 12210, IBM Research Division, Yorktown Heights, NY.

7- Hosking J.R.M. 1991. Fortran routines for use with the method of L-moments, Version 2, Res. Rep. RC 17097, IBM Research Division, York Town Heights, NY 10598.

8- Hosking J.R.M. and Wallis J.R. 1993. Some statistics useful in regional frequency analysis, Water Resources Research, 29: 271–281.

9- Hosking J.R.M. and Wallis J.R. 1997. Regional frequency analysis: An approach based on L-moments, Cambridge University Press, New York.

10- Kohonen T. 1982. Self-organized formation of topologically correct feature maps, Biological Cybernetics, 43: 59–69.

11- Kohonen T. 2001. Self-Organizing Maps. Springer, Berlin, Germany.

12- Lampinen J. and Oja E. 1992. Clustering properties of hierarchical self-organizing maps, Journal of Mathematical Imaging and Vision, 2: 261–272.

13- Ley R., Casper M.C., Hellebrand H., and Merz R. 2011. Catchment classification by runoff behavior with self-organizing maps (SOM), Hydrology and Earth System Sciences, 15(9): 2947-2962.

14- Lin G. and Wang C. 2006. Performing cluster analysis and discrimination analysis of hydrological factors in one step, Advances in Water Resources, 29: 1573-1585.

15- Niromand H. 1999. Multivariate statistical analysis. Ferdowsi university of Mashhad Press, Mashhad.

16- Roa A.R., and Srinivas V.V. 2008. Regionalization of Watersheds (an approach based on cluster analysis), Speringer.

17- Shamkoueyan H., Ghahraman B., Davary K., and Sarmad M. 2009. Flood frequency analysis using linear moment and flood index method in Khorasan provinces, Journal of Water and Soil, 23(1): 31-43.

18- Vesanto J. and Alhoniemi R. 2000. Clustering of the self organizing map, IEEE Trans. Neural, Netw, 11 (3): 586-600.

19- Vesanto J., Himberg J., Alhoniemi E., and Parhankangas J. 2000. SOFM Toolbox for Matlab 5, Technical Report A57, Neural Networks Research Centre, Helsinki University of Technology, Helsinki, Finland.

20- Ward Jr. 1963. Hierarchical Grouping to Optimize an Objective Function, Journal of the American Statistical Association, 58 (301): 236–244.

21- Wilppu R. 1997. The Visualisation Capability of Self Organizing Maps to Detect Deviation in Distribution Control. TUCS Technical Report No. 153, Turku Centre for Computer Science, Finland.