کاربرد شبکه‌های عصبی آماری، فازی و پرسپترونی در پیش بینی خشکسالی (مطالعه موردی: ایستگاه گنبد کاووس)

آب و خاک

مقاله 12، دوره 30، شماره 1 - شماره پیاپی 45، اردیبهشت 1395، صفحه 247-259  

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jsw.v30i1.37304

نویسندگان

سید محمد حسینی موغاری ؛ شهاب عراقی نژاد

دانشگاه تهران

چکیده

درک صحیح زمان شروع خشکسالی در هر منطقه به مدیریت و کاهش خسارت‌های ناشی از خشکسالی کمک شایانی می‌کند. هدف این تحقیق، پایش و پیش بینی خشکسالی در ایستگاه گنبد کاووس در مقیاس های زمانی کوتاه مدت، میان مدت و بلند مدت است. بدین منظور شاخص بارندگی استاندارد (SPI) در مقیاس های زمانی 1، 3، 6، 9، 12 و 24 ماهه مورد استفاده قرار گرفت. برای محاسبه SPI از آمار ماهانه بارندگی این ایستگاه، در طی سال‌های آبی 52-1351 تا 86-1385 استفاده شد. پس از پایش خشکسالی، بر اساس سری زمانی SPI و با استفاده از چهار روش هوش مصنوعی شامل شبکه عصبی پرسپترون چند لایه (MLP)، سیستم استنباط عصبی-فازی تطبیقی (ANFIS)، شبکه عصبی مبتنی بر توابع پایه شعاعی (RBF) و شبکه عصبی رگرسیون تعمیم‏یافته (GRNN) اقدام به پیش بینی خشکسالی گردید. نتایج مربوط به پایش نشان داد، چهار دوره طولانی مدت خشکسالی مربوط به سال های 58-53، 62-60، 70-67 و 76-73 در طول دوره آماری وجود دارد. در قسمت پیش بینی، نتایج حاکی از افزایش دقت پیش بینی ها، با افزایش مقیاس محاسبه SPI بود؛ به نحوی که بر اساس نتایج حاصل از مدل MLP ضریب همبستگی بین مقادیر مشاهداتی SPI و مقادیر پیش بینی شده آن، برای SPI1 و SPI24 به ترتیب 009/0 و 949/0 بوده است. همچنین با توجه به نتایج مدل-های ANFIS، RBF و GRNN به ترتیب ضریب همبستگی مربوط پیش بینی مقادیر SPI1 تا SPI24 از 021/0 تا 925/0، 263/0 تا 953/0 و 210/0 تا 955/0 متغیر بود. درمجموع با مقایسه نتایج مدل های مورد استفاده، ANFIS بهترین عملکرد و بعد از آن GRNN بهترین نتایج را ارائه نموده است.

کلیدواژه‌ها

توابع پایه شعاعی؛ شاخص بارندگی استاندارد؛ سیستم استنباط عصبی-فازی تطبیقی؛ هوش مصنوعی

مراجع

Alipour H. 2011. Effects of drought on socio-economic status of farmers: A case study on the Nehbandans wheat farmers. Watershed Management Research (Pajouhesh & Sazandegi), 99: 113-125. (In Persian with English abstract)

2- Araghinejad S. 2014. Data-driven Modeling: Using MATLAB in Water Resources and Environmental Engineering. Springer.

3- Bacanli U.G., Firat M., and Dikbas F. 2009. Adaptive neuro-fuzzy inference system for drought forecasting. Stochastic Environmental Research and Risk Assessment, 23(8): 1143-1154.

4- Behzadi J. 2010. Drought Monitoring and Analysis of Its Characteristic in Golestan Province. M A K A N Geography and Land Management, 1(1): 21-36.

5- Belayneh A., and Adamowski J. 2012. Standard precipitation index drought forecasting using neural networks, wavelet neural networks, and support vector regression. Applied Computational Intelligence and Soft Computing, 6: 1-13.

6- Chu P.S., Nash A.J., and Porter F.Y. 1993. Diagnostic studies of two contrasting rainfall episodes in Hawaii: Dry 1981 and wet 1982. Journal of climate, 6(7): 1457-1462.

7- Durdu Ö.F. 2010. Application of linear stochastic models for drought forecasting in the Büyük Menderes river basin, western Turkey. Stochastic Environmental Research and Risk Assessment, 24(8): 1145-1162.

8- Ebrahimi R., Zahraie B., and Nasseri M. 2010. Mid-term Prediction of Meteorological Drought Using Fuzzy Inference Systems. Water and Wastewater, 22(78): 112-125. (in Persian with English abstract)

9- Eivazi M., Mosaedi A., and Dehghani, A.A. 2009. Comparison of different approaches for predicting SPI. Journal of Water and Soil Conservation, 16(2): 145-167. (in Persian with English abstract)

10- Ghasemi M., Eslamian S.S, and Soltani S. 2008. Monitoring and Regionalization of Meteorological Drought in Karkhe Watershed Using Standardized Precipitation Index and Precipitation Deciles. Agricultural research: water, soil and plants in agriculture, 8(3): 23-35. (in Persian with English abstract)

11- Ghamghami M., and Bazrafshan J. 2011. Prediction of meteorological drought conditions in Iran using Markov chain model. Journal of Water and Soil Resources Conservation, 1(3):1-12. (in Persian with English abstract)

12- Gocic M., and Trajkovic S. 2013. Analysis of precipitation and drought data in Serbia over the period 1980–2010. Journal of Hydrology, 494: 32-42.

13- Guttman N.B. 1999. Accepting the Standardized Precipitation Index: a calculation algorithm. Journal of the American Water Resources Association, 35(2): 311-322.

14- Hassanzadeh Y., Abdi Kordani A., and Hassanzadeh A. 2011. Drought Forecasting Using Genetic Algorithm and Conjoined Model of Neural Network-Wavelet. Water and Wastewater, 23(83): 59-48. (in Persian with English abstract)

15- Hejabi S. 2010. An Adaptive Study of Meteorological Drought Forecasting Methods in Dry and Wet Climates of Iran. Master Thesis, University of Tehran. (in Persian with English abstract)

16- Hejabi S., and Bazrafshan J. 2012. Evaluation of several model in forecasting time series of standardized precipitation index. Journal of Water Research in Agriculture, 27(3): 429-444.

17- Hosseini-Moghari S.M., and Araghinejad S. 2015. Monthly and seasonal drought forecasting using statistical neural networks. Environmental Earth Science, 74(1): 397-412.

18- Jang J.S. 1993. Anfis: adaptive-network-based fuzzy inference systems. Journal of IEEE Transactions on, 23(3): 665–685.

19- Kampragou E., Apostolaki S., Manoli E., Froebrich j., and Assimacopoulos D. 2011. Towards the harmonization of water-related policies for managing drought risks across the EU. Environmental science and policy, 14(7): 815-824.

20- Karamouz M., and Araghinejad S. 2009. Advanced Hydrology. Amirkabir University Press. Tehran.

21- McKee T.B., Doesken N.J., and Kleist J. 1993. The relationship of drought frequency and duration to time scales. In Proceedings of the 8th Conference on Applied Climatology, 17(22): 179-183.

22- McKee T.B., Doesken N.J., and Kleist J. 1995. Drought monitoring with multiple time scales, Ninth Conference on Applied Climatology, American Meteorological Society, Boston, Massachusetts, 233-236.

23- Mishra A.K., and Desai V.R. 2005. Drought forecasting using stochastic models. Stochastic Environmental Research and Risk Assessment, 19(5): 326-339.

24- Mishra A.K., and Desai,V.R. 2006. Drought forecasting using feed-forward recursive neural network. Ecological Modelling, 198(1): 127-138.

25- Mishra A.K., Desa V.R., and Singh V.P. 2007. Drought Forecasting Using a Hybrid Stochastic and Neural Network Model. Journal of Hydrologic Engineering, 12(6): 626–638.

26- Morid S., Smakhtin V., and Bagherzadeh K. 2007. Drought forecasting using artificial neural networks and time series of drought indices. International Journal of Climatology, 27(15): 2103-2111.

27- Palmer W.C. 1965. Meteorological drought. Washington, DC, USA: US Department of Commerce, Weather Bureau.

28- Rezaeian-Zadeh M., and Tabari H. 2012. MLP-based drought forecasting in different climatic regions. Theoretical and Applied Climatology, 109(3-4): 407-414.

29- Specht D.F. 1991. A general regression neural network, Neural Networks, IEEE Transactions on, 2(6):568-576.

30- Thom H.C.S. 1958. A note on gamma distribution. Monthly Weather Review, 86: 117–122.

31- Vafakhah M., and Bashari M. 2011. Probability study of hydrological drought and wet period’s occurrence using markov Chain in Kashafrood Watershed. Watershed Management Research (Pajouhesh & Sazandegi), 25(1): 1-9. (In Persian with English abstract)

32- Wilhite D.A., and Pulwarty R.S. 2005. Drought and water crises: lessons learned and the road ahead. Drought and water crises.

33- Wilhite D.A., Hayes M.J., Knutson C., and Smith K.H. 2000. Planning for Drought: Moving from Crisis to Risk Management. Journal of the American Water Resources Association, 36(4): 697-710.

34- Wilhite D.A., Svoboda M.D., and Hayes M.J. 2007. Understanding the complex impacts of drought: a key to enhancing drought mitigation and preparedness. Water Resources Management, 21(5): 763-774.

35- Zare-Zade-Mehrizi M., and Morid S. 2011. Application of Reservoir Level and Meteorological Indices for Drought Monitoring (Case Study: Zayandeh Rud Water System). Iranian Journal of Soil and Water Reseach, 1(42): 19-26.