کاربرد سری های زمانی بارش و نمایه های آماری اقلیمی در پیش بینی خشکسالی به کمک شبکه CANFIS (مطالعه موردی: بیرجند- خراسان جنوبی)

Authors

  • مجید رضایی گروه آمار، دانشکده علوم ریاضی و آمار، دانشگاه بیرجند
Abstract:

پیش بینی خشکسالی به‌عنوان یکی از راهکارهای مدیریتی است که به برنامه‌ریزان کمک خواهد کرد تا برنامه‌ریزی صحیحی برای استفاده از منابع محدود آب و خاک فراهم کنند. خراسان جنوبی بویژه در دهه اخیر به یکی از کانون‌های اصلی بحران خشکسالی در کشور تبدیل شده که این امر تاثیر بسزایی در کاهش تولید مواد غذایی، خطر گرسنگی، افت سطح آب زیرزمینی، تخریب خاک و اراضی داشته است. در این مطالعه با ترکیب سیگنال‌های اقلیمی بزرگ مقیاس با میزان بارش و مقادیر پیشین شاخص خشکسالی SPI، به بررسی کارآیی شبکه های عصبی-فازی CANFIS در پیش بینی خشکسالی منطقه اقلیمی بیرجند پرداخته شده است. از شاخص SPI به‌منظور تعریف و پایش خشکسالی در گام زمانی ماهانه استفاده شد. در این تحقیق و با مرور منابع انجام شده 9 شاخص اقلیمی بزرگ مقیاس جهت پیش بینی خشکسالی انتخاب شد. از بین شاخص‌ها، الگوهای NINO 1+2، NINO 3، MEI، TSA، AMO و NINO 3.4 به کمک روش رگرسیون گام به گام و بررسی ماتریس همبستگی، موثر بر خشکسالی شهر بیرجند تشخیص داده شدندکه در مدل‌سازی از آن‌ها بهره گرفته شد. طول دوره آماری 41 سال (2010-1970) می‌باشد که 60 درصد از این دوره جهت آموزش، 15 درصد جهت اعتبار سنجی متقابل و 25 درصد باقیمانده جهت آزمون شبکه مورد استفاده قرار گرفتند. الگوریتم مورد استفاده در آموزش شبکه، مومنتم و نوع تابع عضویت فازی، تابع گوسی انتخاب شد. با توجه به نتایج حاصل از روش رگرسیون گام به گام، 12 مدل استخراج شد. ولی با توجه به محدودیت شبکه CANFIS در اجرای مدل های با تعداد ورودی‌های بیش از 5 متغیر، فقط 8 مدل اول توسط شبکه CANFIS شبیه‌سازی گردیدند. نتایج آنالیز حساسیت شبکه نشان داد که تقریباً در کلیه مدل‌های مختلف، شاخص‌های NINO و بارش بیشترین تاثیر را بر عملکرد شبکه داشته اند. در مدل شماره 4 (بعنوان مدلی که کمترین میزان خطا را در فرآیند آموزش و آزمون نشان داد)، شاخص NINO 1+2(t-5) با متوسط حساسیت 7/0 بیش‌ترین تاثیر را بر عملکرد شبکه داشت. پس از آن متغیرهای بارش،  NINO 1+2(t)و NINO 3(t-6) به‌ترتیب با حساسیت 59/0، 28/0 و 28/0 توانستند خروجی شبکه را بیش از همه تحت تاثیر تغییرات خود قرار دهند. بر اساس محاسبات آماری و شاخص‌های ارزیابی شبکه مشخص شد که همبستگی با تاخیر شاخص‌های اقلیمی نتایج قابل قبول‌تری بین خشکسالی و ENSO را ارائه داد. در مجموع مدل چهارم با ترکیبی از پارامترهای ورودی NINO 1+2 (با پنج ماه تاخیر و بدون تاخیر)، بارش ماهانه و NINO 3 (با 6 ماه تاخیر) و ضریب همبستگی 903/0 (بین مقادیر مشاهداتی و پیش‌بینی شده) به‌عنوان مناسب‌ترین مدل جهت پیش‌بینی خشکسالی در منطقه اقلیمی بیرجند با استفاده از شبکه CANFIS ارائه شد.    

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

similar resources

کاربرد سری های زمانی بارش و نمایه های آماری اقلیمی در پیش بینی خشکسالی به کمک شبکه canfis (مطالعه موردی: بیرجند- خراسان جنوبی)

پیش بینی خشکسالی به عنوان یکی از راهکارهای مدیریتی است که به برنامه ریزان کمک خواهد کرد تا برنامه ریزی صحیحی برای استفاده از منابع محدود آب و خاک فراهم کنند. خراسان جنوبی بویژه در دهه اخیر به یکی از کانون های اصلی بحران خشکسالی در کشور تبدیل شده که این امر تاثیر بسزایی در کاهش تولید مواد غذایی، خطر گرسنگی، افت سطح آب زیرزمینی، تخریب خاک و اراضی داشته است. در این مطالعه با ترکیب سیگنال های اقلیم...

full text

کاربردهای شبکه های عصبی در پیش بینی سری های زمانی

استفاده از روش های غیر کلاسیک در شناسایی مدل و پیش بینی رفتار سیستم های پیچیده، مدتهاست در محافل علمی و حتی حرفه ای متداول و معمول شده است. در بسیاری از سیستم های پیچیده و خصوصا غیر خطی که مدل سازی و به دنبال آن پیش بینی و کنترل آنها از طریق روش های کلاسیک و تحلیلی امری بسیار دشوار و حتی بعضا غیر ممکن می نماید، از روش های غیر کلاسیک که از ویژگی هایی همچون هوشمندی، مبتنی بر معرفت و خبرگی برخوردا...

full text

کاربرد شبکه های عصبی مصنوعی در پیش بینی بارش زمستانه

پیش‌بینی بارش یکی از مهم‌ترین مسائل در زمینه مدیریت بهینه منابع آب در بخش‌های مختلف نظیر صنعت، شرب و کشاورزی است. پیش بینی بارش می تواند باعث جلوگیری از تلفات و خسارات ناشی از بلایای طبیعی شود. هدف از تحقیق حاضر پیش‌بینی بارش زمستانه استان خراسان رضوی با استفاده از شبکه‌های عصبی مصنوعی می‌باشد. بدین منظور، ابتدا سری زمانی بارش متوسط منطقه‌ای به روش کریجینگ در طول دوره آماری به دست آورده شد. سپس...

full text

پیش بینی خشکسالی وتر سالی به کمک مدلهای سری های زمانی(مطاتعه موردی:خراسان جنوبی)

چکیده: بررسی خشکسالی استان خراسان جنوبی به دلیل ماهیت تصادفی بودن بارش و اقلیم خشک این استان، از اهمیت ویژه ای برخوردار است. هدف از این پژوهش مدلسازی بارش با کمک روش باکس و جنکینز و پیش بینی وضعیت خشکسالی با استفاده از شاخص استاندارد بارندگی (spi) در این استان می باشد. بر همین اساس در این پژوهش بررسی تغییرات زمانی بارش با استفاده از مدل سری زمانی sarima در 6 ایستگاه منتخب استان خراسان جنوبی (ب...

My Resources

Save resource for easier access later

Save to my library Already added to my library

{@ msg_add @}


Journal title

volume 5  issue 2

pages  51- 67

publication date 2016-05-21

By following a journal you will be notified via email when a new issue of this journal is published.

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023