پیش‌بینی خشکسالی با بکار‌گیری از مدل‌های شبکه عصبی مصنوعی و سیستم استنتاج عصبی‌-‌ فازی تطبیقی در حوزة مُند استان فارس

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد

2 عضو هیات علمی دانشگاه زابل

3 عضو هیات علمی

چکیده

   امروزه خشکسالی یک معضل جدّی و گریبانگیر دربسیاری از کشور­های جهان است؛بنابراین پیش­بینیِ آن از اهمیت به‌سزایی برخوردار می­باشد. در این تحقیق، کارایی شبکة عصبی مصنوعی و سیستم استنتاج عصبی­- ­فازیتطبیقی به عنوان روش­هایی مؤثر برای پیش­بینی شدت خشکسالی حوزة "مُند" استان فارس مورد بررسی قرار گرفت. برای این منظور از داده­های بارندگی ماهانة ایستگاه باران‌سنجی تنگاب استان فارس با دورة آماری 32 ساله استفاده گردید. شدت خشکسالی در دورة ماهانه با استفاده از شاخص بارندگی استاندارد شده (SPI) تعیین شد؛ سپس به‌وسیلة مدل­های ANN وANFIS و با استفاده از شاخص SPI پیش­بینی شدت خشکسالی انجام گردید. از بین داده­های موجود، 70 درصد به عنوان داده­های آموزش و مابقی به عنوان داده­های اعتبارسنجی و داده­های آزمون انتخاب شد؛ سپس از طریق معیار­های آماری شامل ضریب همبستگی، میانگین مجذور مربعات خطا و ضریب ناش به کارایی عملکرد مدل­‌ها پرداخته شد. نتایج نشان دادد که دقت روش شبکه­های عصبی مصنوعی از روش سیستم استنتاج عصبی­-­ فازیتطبیقی بیشتر می­باشد؛ همچنین یافته­های حاصل از این بررسی نشان می­دهد که هرچه پراکندگی داده­های ورودی مدل بیشتر باشد مدل استنتاج عصبی­-­ فازی تطبیقی دارای توانایی بیشتری در شبیه­سازی این نوع از داده­ها می­باشد.

کلیدواژه‌ها


عنوان مقاله [English]

Comparison of artificial neural network models and adaptive neuro-fuzzy inference system in predicting the drought Mond Basin of Fars Province

نویسندگان [English]

  • Mahnaz Rostami 1
  • Ahmad Pahlavanravi 2
  • Alireza Moghaddamnia 3
چکیده [English]

Drought has gripped a serious problem in many countries of the world. So great is the importance of drought prediction. In this research, performances Artificial Neural Networks (ANN) and Adaptive Neuro-Fuzzy Inference System (ANFIS) for Drought Prediction Techniques in Mond Basin of Fars Province have been comparatively evaluated on the  basis  of the monthly data for a 32-year period (1978-2012) including  rainfall, temperature and drought indices SPI, the training data length of  %70 and the testing data length of %30 were determined. After conducting  prediction by using  ANN and ANFIS models, the performances of  these models were evaluated on the basis of statistical criteria of  Nash index (E), correlation coefficient (R) and Root Mean Square Error (RMSE). The obtained  results indicated higher accuracy of ANN model rather than ANFIS model in orther to Drought Prediction Techniques in Mond Basin of Fars Province.

کلیدواژه‌ها [English]

  • Drought- Artificial Neural Network
  • Neuro-Fuzzy Inference System – SPI Indicators- Mond Basin

-        اژدری مقدم، مهدی، محمود خسروی، حسین حسین‌پور نیکنام، احسان جعفری‌ندوشن (1390). پیش­بینی خشکسالی با استفاده از مدل فازی-عصبی، شاخص­های اقلیمی، بارندگی و شاخص خشکسالی استان زاهدان، مجله جغرافیا و توسعه، مشهد، 26، صص: 72-61.

-        اعلمی، محمدتقی، یوسف حسین‌زاده، مهدی کماسی (1388). ارزیابی و مقایسه نمایه­های خشکسالی و پیش­بینی آن با شاخص SPI به روش مدل­سازی دو متغیره با شبکة عصبی مصنوع، هشتمین سمینار بین­المللی مهندسی رودخانه، دانشگاه شهید چمران اهواز.

-        افخمی، حمیده، محمدتقی دستورانی، حسین ملکی‌نژاد، حسین مبین (1389). بررسی تأثیر عناصر اقلیمی بر افزایش دقت روش شبکة عصبی مصنوعی در پیش­بینی خشکسالی استان یزد، مجلة علوم و فنون کشاورزی و منابع طبیعی، اصفهان،51، صص: 17-157.

-        پهلوانی، حمید (1388). ارزیابی کارایی مدل­های شبکه عصبی مصنوعی در تخمین هوشمند هیدروگراف سیل ورودی به سد مخزنی شیرین دره در مقایسه با مدل­های تطبیقی عصبی-فازی، پایان­نامه کارشناسی ارشد آبخیزداری، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، دانشکده منابع طبیعی، گروه مرتع و آبخیزداری ، صفحه: 123.

-        حسین­پورکاشانی، م.، منتصری، م، ع.، لطف‌الهی یقین، م. (1386). پیش­بینی سیل در حوضه­های فاقد آمار با استفاده از مدل رگرسیون و شبکه عصبی مصنوعی، سومین کنگره ملی مهندسی عمران.

-        صداقت‌کردار، ع.، فتاحی، الف (1387). شاخص­های پیش­آگهی خشکسالی در ایران، مجله جغرافیا و توسعه، 6(11)، 76-59.

-        علیزاده، امین (1381). اصول هیدرولوژی کاربردی، مشهد انتشارات آستان قدس رضوی، جلد چهاردهم، صفحه:262.

-        عیوضی، معصومه، ابوالفضل مساعدی، امیر احمد دهقانی (1388). مقایسة روش­های مختلف پیش­بینی شاخص خشکسالی SPI، مجلة پژوهش­های حفاظت آب و خاک،گرگان، 16(2)،صص: 167-145.

-        فتحی، پ.، کوچک زاده، م. (1383). تخمین تعریق خیار گلخانه­ای با استفاده از شبکه عصبی مصنوعی، مجله علوم خاک و آب، جلد 18 ، شماره 2.

-        فرخ­نیا، اشکان، سعید مرید، هوشنگ قائمی (1387). داده­کاوی روی سیگنال­های بزرگ مقیاس اقلیمی برای پیش­بینی بلند­مدت خشکسالی، سومین کنفرانس مدیریت منابع آب ایران، دانشکده مهندسی عمران دانشگاه تبریز.

-        کاویانی، محمد رضا و بهلول علیجانی (1378). مبانی آب و هواشناسی، تهران انتشارات سمت، جلد ششم،صفحه: 268.

-        مجرد قره‌باغ، فیروز (1376). تحلیل و پیش بینی یخبندان در آذربایجان رساله دوره دکتری، دانشگاه تربیت مدرس، دانشکده علوم انسانی.

-        منهاج، محمد باقر. (1387). مبانی شبکه­های عصبی هوش محاسباتی، جلد اول، چاپ پنجم، انتشارات دانشگاه صنعتی امیرکبیر تهران.

-        نیکنام، حسین، مهدی اژدری مقدم، محمود خسروی (1389). استفاده از مدل فازی عصبی و الگوهای ارتباط از دور جهت پیش­بینی خشکسالی زاهدان، چهارمین کنگره بین المللی جغرافی­دانان جهان اسلام، دانشگاه سیستان و بلوچستان زاهدان.

-        یزدانی، وحید و حسین بانژاد (1388). پیش­بینی خشکسالی هیدرولوژیکی استان اصفهان با استفاده از شبکه عصبی مصنوعی، دومین همایش ملی اثرات خشکسالی و راهکارهای مدیریت آن، مرکز تحقیقات کشاورزی و منابع طبیعی اصفهان.

-        Bacanli, U, Firat, M, Dikbas, F, 2008, Adaptive neuro-fuzzy inference system for drought forecasting. Stochastic Environmental Research and Risk Assessment. 8: 1143-1154.

-        Crespo, J.L, Mora, E, 1993, Drought estimation with neural networks, Advances in Engineering Software18, 167–170.

-        Chang, F. and Chang, Y.1990. Adaptive neuro-fuzzy inference system for prediction of water level in reservoir, Advances in Water Resources, Vol.29, Issue 1, Pp: 1-10.

-        Jang, J.-S.R, 1993, ANFIS adaptive network based fuzzy inference system, IEEE Transactions on Systems, Man and Cybernetics, 3: 665–683.

-        Mckee, T.B, Doesken, N.J and Kleist, J, 1993, The relationship of drought frequency and duration to time scales. 8th conference on Applied Climatology. 17-22 January California 176-184.

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

-        Mishra, A.K, Singh, V.P, 2012, Simulating hydrological drought properties at different spatial units in the United States based on wavelet-bayesian approach Earth Interactions Journal of Hydrology,17: 1–23.

-        Santos, Celso Augusto, G, Morais, Bruno S, Silva, Gustavo, B L, 2009, Drought forecast using an artificial neural network for three hydrological zones in San Francisco River basin, Brazil, Proceedings of Symposium, Convention of The International Association of Hydrological Sciences,India 312 – 302.

-        Sivanandam, S.N, Sumathi, S and Deepa, S.N. 2007. Introduction to Fuzzy Logic using MATLAB, Springer Berlin Heidelberg, New York.