کاربرد شبکه عصبی‌مصنوعی و مدل همبستگی در پیش بینی پدیده گرد و غبار در کلانشهر اهواز
محورهای موضوعی : آب و محیط زیستنبی الله حسینی شه پریان 1 , محمد علی فیروزی 2 , سید رضا حسینی کهنوج 3
1 - دانشجوی دکتری رشته جغرافیا و برنامه‌ریزی روستایی، دانشگاه تبریز
2 - استاد گروه جغرافیا و برنامه‌ریزی شهری، دانشگاه شهید چمران اهواز
3 - دانشجوی دکتری رشته جغرافیا و برنامه‌ریزی روستایی، دانشگاه فردوسی مشهد
کلید واژه: کلمات کلیدی: شبکه عصبی, مدل همبستگی, پیش بینی, گرد و غبار, کلانشهر اهواز,
چکیده مقاله :
گرد و غبار یکی از پدیده های مخرب اقلیمی در استان های غربی است که سالاته خسارت فراوانی را به محیط زیست وارد می نماید که عواملی بسیاری در بوجود آمدن آن نقش دارند. هدف از انجام این پژوهش پیش بینی پدیده گرد و غبار شهر اهواز می باشد. در این پژوهش از داده های سینوپتیکی اهواز طی سال های (2010-2000) استفاده شده است. این داده ها شامل میانگین نقطه دمای شبنم(به سانتیگراد)، میانگین سرعت باد بر حسب نات(knots)، رطوبت نسبی بر حسب درصد میانگین و میانگین بارندگی ماهانه به عنوان ورودی و داده روزهای توأم با گرد و غبار به عنوان هدف، به شبکه معرفی شدند. سپس، با استفاده از مدل سازی علّی، روابط میان متغیرها استخراج و در نهایت، مدل به وسیله شبکه عصبی و مدل رگرسیون گام به گام، آزمون شده است. نتایج، موید توانایی بیش از 74 درصد مدل بکار رفته، در پیش بینی پدیده گرد و غبار در شهر اهواز است. میزان رگرسیون حاصل از داده های گرد و غبار در یک ترکیب خطی با متغیرهای وارد شده در معادله برابر با 651/0 است. همچنین ضریب تعیین حاصل برابر با 424/0 و ضریب تعیین تعدیل یافته برابر با 410/0 گزارش شده است؛ یعنی در واقع حدود41 درصد از واریانس متغیر انجام گرد و غبار از طریق متغیرهای مستقل تبین و توجیه شده است.
Dust is one of the phenomena of destructive climate in the western provinces that causes great damage to the environment and many factors are involved in creating this problem. The aim of this study is to predict the phenomenon of dust in Ahvaz city. In this study, Ahvaz synoptic data during the years (2000-2010) have been used. These data include mean dew point (in degrees Celsius), mean wind speed in knots, relative humidity in terms of average percentage and average monthly rainfall as input, and data on dusty days as target. Networks were introduced. Then, using causal modeling, the relationships between the variables are extracted and finally, the model is tested by neural network and stepwise regression model. The results confirm the ability of more than 74% of the model used to predict the dust phenomenon in Ahvaz. The regression rate of dust data in a linear combination with the variables entered in the equation is equal to 0.651. Also, the resulting coefficient of determination is equal to 0.424 and the modified coefficient of determination is equal to 0.410; That is, in fact, about 41% of the variance of the dust variable is explained and justified through independent variables.
1- امانپور، سعید و همکاران، تخمین قیمت مسکن شهر اهواز با استفاده از شبکه عصبی، فصلنامه اقتصاد و مدیریت شهری، 1394، سال سوم، شماره 9، صص57-45.
2- تقوی، فرحناز و همکاران، تشخیص و پایش توفان گردوغبار غرب ایران با استفاده از روش‌های سنجش‌ازدور، مجله فیزیک زمین و فضا، 1392، دوره 39، شماره3، صص 96-83؛
3- حسینی شهپریان، نبی‌الله، تحلیلی بر عدالت فضایی با تأکید بر خدمات عمومی شهری کلانشهر اهواز، پایان‌نامه کارشناسی ارشد، گروه جغرافیا و برنامه‌ریزی شهری، دانشگاه شهید چمران اهواز.1394.
4- جمال‌زاده، محمدرضا و همکاران، پیش‌بینی وقوع طوفان گردوخاک با استفاده از روش شبکه‌های عصبی مصنوعی: موردی: شهر زابل، فصلنامه تحقیقات مرتع و بیابان ایران، 1389، جلد17، شماره2، صص220-205.
5- خوشحال دستجردی، جواد و سید محمد حسینی، کاربرد شبکه عصبی مصنوعی در شبیه‌سازی عناصر اقلیمی و پیش‌بینی سیکل خشک‌سالی(مطالعه موردی: استان اصفهان)، مجله جغرافیا و برنامه‌ریزی محیطی، 1389شماره پیاپی39، شماره3؛
6- ذوالفقاری، حسن و حیدر عابدزاده، بادهای 120 روزه سیستان، فصلنامه تحقیقات جغرافیایی، 1384، شماره 46؛
7- رضایی بنفشه و همکاران، قمان، برآورد میزان گردوغبار با استفاده از تصاویر ماهواره‌ای در استان کردستان، فصلنامه جغرافیای طبیعی،1389، شماره 18، صص 13-1؛
8- طاووسی، تقی و اکبر زهرایی، مدل‌سازی سری‌های زمانی پدیده گردوغبار شهر اهواز، فصلنامه تحقیقات جغرافیایی، 1392، سال 28، شماره 2، پیاپی 109، صص 170-159؛
9- سمیرمی، سیاوش و همکاران، شناخت و بررسی عوامل مؤثر بر پدیده گردوغبار در غرب ایران، فصلنامه انسان و محیط‌زیست، 1392، شماره 27، صص 10-1؛
10- سبحانی، بهروز و همکاران، بررسی گردوغبار و ارزیابی امکان پیش‌بینی آن بر اساس روش‌های آماری و مدل ANFIS در ایستگاه زابل، فصلنامه جغرافیا و توسعه، 1394، شماره8، صص128-123.
11- علیجانی، بهلول، آب‌وهوای ایران، انتشارات دانشگاه پیام نور تهران؛1376.
12- قدیری، محمدرضا و سعید مشیری، مدل‌سازی و پیش‌بینی رشد اقتصادی در ایران با استفاده از شبکه‌های عصبی مصنوعی، فصلنامه پژوهش‌های اقتصادی ایران،1382، شماره 12، صص97-125؛
13- منهاج، محمدباقر، مبانی شبکه‌های عصبی(هوش محاسباتی)، نشر دکتر حسابی، انتشارات دانشگاه تهران.1387.
14- Tan, M., Li, X., Xin, L., 2014.Intensity Of Dust Storms In China From 1980 To 2007: A New Definition, Atmospheric Environment, 215-222.
15- Haykin, S., 1994. Neural Networks, A Comprehensive Foundation. 1St Ed. Macmillan College Publishing Company, New York, NY
16- Huang, M., Peng, G., Zhang, J. And Zhang, S., 2006. Application Of Artificial Neural Networks To The Prediction Of Dust Storms In Northwest China Journal Of Global And Planetary Change 52: 216 – 224;
17- Kaskaoutis, D.G., Kosmopoulos, P., Kambezidis, H.D., Nastos, P.T., 2007. Aerosol Climatology And Discrimination Of Different Types Over Athens, Greece Based On MODIS Data. Atmos. Environ. 41, 7315–7329.
18- Zhang, G., Patuwo, B.E. And Hu, M.Y., 1998. Forecasting With Artificial Neural Network: The State Of Art, International Journal Of Forecasting, 14: 35-62.
_||_1- امانپور، سعید و همکاران، تخمین قیمت مسکن شهر اهواز با استفاده از شبکه عصبی، فصلنامه اقتصاد و مدیریت شهری، 1394، سال سوم، شماره 9، صص57-45.
2- تقوی، فرحناز و همکاران، تشخیص و پایش توفان گردوغبار غرب ایران با استفاده از روش‌های سنجش‌ازدور، مجله فیزیک زمین و فضا، 1392، دوره 39، شماره3، صص 96-83؛
3- حسینی شهپریان، نبی‌الله، تحلیلی بر عدالت فضایی با تأکید بر خدمات عمومی شهری کلانشهر اهواز، پایان‌نامه کارشناسی ارشد، گروه جغرافیا و برنامه‌ریزی شهری، دانشگاه شهید چمران اهواز.1394.
4- جمال‌زاده، محمدرضا و همکاران، پیش‌بینی وقوع طوفان گردوخاک با استفاده از روش شبکه‌های عصبی مصنوعی: موردی: شهر زابل، فصلنامه تحقیقات مرتع و بیابان ایران، 1389، جلد17، شماره2، صص220-205.
5- خوشحال دستجردی، جواد و سید محمد حسینی، کاربرد شبکه عصبی مصنوعی در شبیه‌سازی عناصر اقلیمی و پیش‌بینی سیکل خشک‌سالی(مطالعه موردی: استان اصفهان)، مجله جغرافیا و برنامه‌ریزی محیطی، 1389شماره پیاپی39، شماره3؛
6- ذوالفقاری، حسن و حیدر عابدزاده، بادهای 120 روزه سیستان، فصلنامه تحقیقات جغرافیایی، 1384، شماره 46؛
7- رضایی بنفشه و همکاران، قمان، برآورد میزان گردوغبار با استفاده از تصاویر ماهواره‌ای در استان کردستان، فصلنامه جغرافیای طبیعی،1389، شماره 18، صص 13-1؛
8- طاووسی، تقی و اکبر زهرایی، مدل‌سازی سری‌های زمانی پدیده گردوغبار شهر اهواز، فصلنامه تحقیقات جغرافیایی، 1392، سال 28، شماره 2، پیاپی 109، صص 170-159؛
9- سمیرمی، سیاوش و همکاران، شناخت و بررسی عوامل مؤثر بر پدیده گردوغبار در غرب ایران، فصلنامه انسان و محیط‌زیست، 1392، شماره 27، صص 10-1؛
10- سبحانی، بهروز و همکاران، بررسی گردوغبار و ارزیابی امکان پیش‌بینی آن بر اساس روش‌های آماری و مدل ANFIS در ایستگاه زابل، فصلنامه جغرافیا و توسعه، 1394، شماره8، صص128-123.
11- علیجانی، بهلول، آب‌وهوای ایران، انتشارات دانشگاه پیام نور تهران؛1376.
12- قدیری، محمدرضا و سعید مشیری، مدل‌سازی و پیش‌بینی رشد اقتصادی در ایران با استفاده از شبکه‌های عصبی مصنوعی، فصلنامه پژوهش‌های اقتصادی ایران،1382، شماره 12، صص97-125؛
13- منهاج، محمدباقر، مبانی شبکه‌های عصبی(هوش محاسباتی)، نشر دکتر حسابی، انتشارات دانشگاه تهران.1387.
14- Tan, M., Li, X., Xin, L., 2014.Intensity Of Dust Storms In China From 1980 To 2007: A New Definition, Atmospheric Environment, 215-222.
15- Haykin, S., 1994. Neural Networks, A Comprehensive Foundation. 1St Ed. Macmillan College Publishing Company, New York, NY
16- Huang, M., Peng, G., Zhang, J. And Zhang, S., 2006. Application Of Artificial Neural Networks To The Prediction Of Dust Storms In Northwest China Journal Of Global And Planetary Change 52: 216 – 224;
17- Kaskaoutis, D.G., Kosmopoulos, P., Kambezidis, H.D., Nastos, P.T., 2007. Aerosol Climatology And Discrimination Of Different Types Over Athens, Greece Based On MODIS Data. Atmos. Environ. 41, 7315–7329.
18- Zhang, G., Patuwo, B.E. And Hu, M.Y., 1998. Forecasting With Artificial Neural Network: The State Of Art, International Journal Of Forecasting, 14: 35-62.