اثر بهینه سازی کرنل در مدلسازی پدیده خشکسالی با بهره‌گیری از هوش محاسباتی (مطالعه موردی: شهر سنندج)
محورهای موضوعی : برنامه های کاربردی در تغییرات آب و هوایی زمینجهانبخش محمدی 1 , علیرضا وفایی نژاد 2 , سعید بهزادی 3 , حسین آقامحمدی 4 , امیر هومن حمصی 5
1 - دانشجوی دکتری تخصصی سنجش از دور و سیستم اطلاعات جغرافیایی، دانشکده منابع طبیعی و محیط زیست، دانشگاه آزاد اسلامی واحد علوم و تحقیقات،
2 - دانشیار دانشکده مهندسی عمران، آب و محیط زیست، دانشگاه شهید بهشتی، تهران، ایران
3 - استادیار دانشکده مهندسی عمران، دانشگاه تربیت دبیر شهید رجائی، تهران، ایران
4 - استادیار گروه سنجش از دور و سیستم اطلاعات جغرافیایی، دانشکده منابع طبیعی و محیط زیست، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی،
5 - استاد، مهندسی منابع طبیعی، دانشکده منابع طبیعی و محیط‌زیست، واحد علوم و تحقیقات تهران، دانشگاه آزاد اسلامی، تهران، ایران
کلید واژه: کرنل, هوش محاسباتی, شبکه عصبی, رگرسیون بردار پشتیبان,
چکیده مقاله :
خشکسالی یکی از مهم‌ترین بلایای طبیعی است که اثرات مخرب و زیان‌باری در زمینه‌های مختلف اقتصادی، اجتماعی و زیست‌محیطی به‌جای می‌گذارد. با توجه به رفتار تکرارشوندگی این پدیده، در صورت عدم اجرای راهکارهای مناسب، آثار مخرب آن تا سال‌ها پس از وقوع می‌تواند در منطقه باقی بماند. اکثر بحران‌های طبیعی از قبیل سیل، زلزله، طوفان و رانش زمین در دوره‌ای کوتاه ممکن است خسارات سنگین مالی و جانی به جامعه وارد کنند، اما خشکسالی ماهیت آرام و خزشی دارد و آثار مخرب آن به‌تدریج و در مدت طولانی‌تری ظاهر می‌شود. ازاین‌رو با مدلسازی خشکسالی می‌توان طرح‌هایی جهت آماده‌سازی در مقابل خشکسالی و کاهش خسارات ناشی از آن ارائه کرد. در این پژوهش از الگوریتم‌های هوش محاسباتی شبکه عصبی پرسپترون چندلایه (Multi-Layer Perceptron)، شبکه عصبی رگرسیونی تعمیم‌یافته (Generalized Regression Neural Network)، رگرسیون بردار پشتیبان با کرنل گوسین (Support Vector Regression) و رگرسیون بردار پشتیبان با کرنل پیشنهادی (Support Vector Regression New kernel) جهت مدلسازی خشکسالی با در نظر گرفتن شاخص استانداردشده بارش Standardized Precipitation Index) ( استفاده شده است. نتایج مدل‌سازی‌ها در اغلب حالات بیانگر کارایی بهتر مدل پیشنهادی SVR_N نسبت به دیگر مدل‌ها بود که در SPI 48 ماهه بهترین دقت مدلسازی حاصل گردید و مقدار RMSE و R2 به ترتیب برابر 093/0 و 991/0 به دست آمد. همچنین مدل‌های GRNN، MLP و SVR به ترتیب بعد از SVR_N کارایی بهتری در مدلسازی از خود نشان دادند. نتایج این تحقیق بیانگر اهمیت انتخاب و بهینه‌سازی کرنل بر رفتار مدلسازی پدیده خشکسالی در مدلسازی به روش رگرسیون بردار پشتیبان است.
Drought is one of the most important natural disasters with devastating and harmful effects in various economic, social, and environmental fields. Due to the repetitive behavior of this phenomenon, if the appropriate solutions are not implemented, its destructive effects can remain in the region for years after its occurrence. Most natural disasters, such as floods, earthquakes, hurricanes, and landslides in the short term, can cause severe financial and human damage to society, but droughts are slow-moving and creepy in nature, and their devastating effects appear gradually and over a longer period of time. Therefore, by modeling drought, it is possible to provide plans for drought preparation and reduce the damage caused by it. In this study, computational intelligence algorithms of Multi-Layer Perceptron neural network, Generalized Regression Neural Network, Support Vector Regression with support kernel, and Support Vector regression with the proposed kernel (Support Vector) Regression New kernel has been used to model the drought using the Standardized Precipitation Index. The modeling results, in most cases, showed better performance of the proposed SVR_N model than other models. The values of RMSE and R2 were 0.093 and 0.991, respectively, and the GRNN, MLP, and SVR models performed better in modeling after SVR_N, respectively. Modeling of drought phenomenon in modeling is supported by vector regression method.
_||_