نام پژوهشگر: حمید دوستی

بررسی خشکسالی ها و ترسالی ها با استفاده از زنجیره مارکف و شبکه های عصبی مصنوعی در حوضه سد پیشین
پایان نامه وزارت علوم، تحقیقات و فناوری - دانشگاه زابل - دانشکده کشاورزی 1392
  حمید دوستی   پرویز حقیقت جو

تأمین آب سالم و بهداشتی، آب مورد نیاز بخش کشاورزی و صنعت از مهمترین چالش های عصر حاضر است. از مهمترین معضلات حوضه سد پیشین، مدیریت نادرست و محدودیت منابع آب، ناشی از خشکسالی های سال های اخیر می باشد. لذا سیستم های پایش در تدوین طرح های مقابله با خشکسالی و ترسالی و مدیریت آن ها از اهمیت زیادی برخوردار می باشد. زنجیره مارکف یک فرآیند احتمالاتی، جهت مدل سازی پدیده های تصادفی است که با یک مجموعه ای از حالت ها و وضعیت ها و با احتمال انتقال بین حالت ها توصیف می شود. با زنجیره مارکف مرتبه اول ماتریس احتمال تعادل برای هر دو ایستگاه پیردان و پیشین بدست آمد که ماتریس احتمال تعادل برای ایستگاه پیردان با 12 بار ضرب کردن ماتریس انتقال شرطی در خودش بدست آمد و دوره های خشک و تر در بلند مدت دارای نسبت برابر می باشد. با ضرب کردن 13 بار ماتریس احتمال شرطی ایستگاه پیشین در خودش ماتریس احتمال تعادل بدست آمد که مقدار ثابت دوره های خشک 35/0 درصد و دوره های تر با 65/0 درصد به دست آمدند. این نتایج نشان می دهد که احتمال پایداری وضعیت خشکی با افزایش ضرب ماتریس در خودش کاسته می شود. بطور کلی ماتریس احتمال تعادل نشان دهنده این است که هر ایستگاه در دراز مدت، بطور متوسط چند درصد از زمان را در یک حالت معین باقی خواهد ماند. در شبکه های عصبی مصنوعی از شبکه پرسپترون چند لایه ((mlp با تکنیک یادگیری مارکوارت- لونبرگ (lm) و الگوریتم آموزش و یادگیری استفاده شد. که از میان این 50 مدل، مدل های mlp4 ،mlp17 و mlp21 برای ایستگاه پیردان و مدل های mlp26 و mlp50 برای ایستگاه پیشین به عنوان مدل های منتخب پیش بینی شده دبی انتخاب گردیده شدند که ماه های خشک دبی های پیش بینی شده بترتیب دارای فراوانی 32/0 ، 27/0 ، 35/0 ، 31/0 و 29/0 و ماه های مرطوب بترتیب دارای فراوانی 68/0 ، 73/0 ، 65/0، 61/0 و 71/0 می باشند. نرمالیزه کردن داده ها در بازه صفر و یک و بکارگیری تابع محرک سیگموئیدی در لایه پنهان عملکرد این شبکه ها را تقویت کرد. استفاده از نرون های زیاد در لایه های پنهان سبب بهبود عملکرد این شبکه ها شده است. هرچند این مدل ها به علت نقصان داده ای نتایج خیلی مناسبی ارائه ندادند ولی وجود داده-های دقیق می توانست بر دقت بالای این مدل ها صحه گذارد. مدل mlp21 با فراوانی ماه خشک و مرطوب 35/0 و 65/0 نزدیکترین نتایج را به فراوانی ما های خشک و مرطوب دبی مشاهداتی بترتیب با اعداد 50/0 و 50/0 و زنجیره مارکف با 50/0 و 50/0 برای ایستگاه پیردان ارائه داد و مدل mlp26 با فراوانی ماه خشک و مرطوب 31/0 و 69/0 نزدیکترین نتایج را به فراوانی ماه های خشک و مرطوب دبی مشاهداتی بترتیب با اعداد 375/0 و 635/0 و زنجیره مارکف بترتیب با 35/0 و 65/0 برای ایستگاه پیشین پیش بینی کرده است.