پیش‌بینی الگوی خشکسالی هواشناسی با استفاده از دسته‌بندی متغیرهای هواشناسی
محورهای موضوعی : مقالات برگرفته از پایان نامه
علیرضا نیکبخت شهبازی
1
(گروه علوم و مهندسی آب، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران)
بنفشه زهرایی
2
(دانشیار، دانشکده مهندسی عمران، پردیس دانشکده های فنی، دانشگاه تهران)
کلید واژه: خشکسالی هواشناسی, دسته بندی نمایه بارش استاندارد شده, ماشین بردار پشتیبان, حوضه آبریز تهران,
چکیده مقاله :
پیش‌بینی خشکسالی، شدت و زمان رخداد آن از دلشوره‌های بزرگ پژوهشگران هواشناسی و هیدرولوژی می‌باشد. در این میان اهمیت متغیرهای هواشناسی و جوی در تخمین مناسب شدت خشکسالی از موضوعات مورد علاقه محققین است. در این پژوهش با بکارگیری متغیرهای دمای هوا و ارتفاع ژئوپتانسیل در لایه های گوناگون جوی به بررسی پیوند این متغیرها در 31 سال گذشته (54-1386) با استفاده از نمایه بارش استاندارد شده (SPI) به عنوان شاخص خشکسالی اقلیمی در حوزه آبخیز سدهای تأمین کننده آب تهران پرداخته شده است. پس از برآورد میانگین بارش با استفاده از شاخص آماری اطلاعات متقابل نقطه-متغیرهای هواشناسی که پیوند نیرومندتری را با نمایه SPI در گستره‌های مورد مطالعه داشته‌اند، به عنوان متغیرهای مناسب برگزیده شدند. سپس در راستای پیش‌بینی کلاس خشکسالی اقلیمی SPI از مدل ماشین بردار پشتیبان (SVM) به عنوان یکی از روش‌های یادگیری آماری استفاده شده است. نتایج گویای پاسخ مناسب رویکرد مورد استفاده در پیش‌بینی وقوع خشکسالی است. همچنین با استفاده از جستجوی مکانی ارتباط متغیرهای هواشناسی و مقادیر هدف، بهترین ترکیب این متغیرها نیز برگزیده شده است و در اکثر موارد پیش‌بینی با دقت مناسب به منظور کاربردهای واقعی دارای قابلیت بکارگیری است. دقت پیش‌بینی در فصول پاییز و زمستان بیش از سایر فصول بوده است.
Drought prediction is an important item in realm of hydrometeorology and hydrology, and selection of suitable meteorological variables for drought prediction is a goal in recent studies. In this paper, suitable feature selection is investigated with application of Mutual Information (MI) on the predictor’s time series and the well-known statistical machine learning methods, Support Vector Machine (SVM), is proposed to predict drought class based on Standardized Precipitation Index (SPI) in some seasonal scale scenario in the main watersheds of Tehran. In current study, ground weather temperature (at 300, 500, 700 and 850 mi bar) and geopotential height (at 300, 500, 700 and 850 mi bar) was applied in prediction models based on data from 1975 to 2005 in the main watershed of Tehran. Regarding to the amount of predictors, suitable feature selection is investigated with application of Mutual Information (MI) on the predictor’s time series and target time series and the well-known statistical machine learning methods, support vector machine (SVM), is applied to predict SPI class. One of the important issue in this research is use of different variables, for example regarding to selected data points, the effective regions on Tehran precipitation are southern, southwestern and northwestern of Iran in spring, northern and northwestern in autumn and northwestern and western in winter. SVM depicted accurate results in classification and prediction of SPI and it is suitable and applicable. The predicted SPI in winter and autumn are more accurate than the other scenarios.
ذبیحی، م ،ر. 1301 ، گزارش نقشه زمین شناسی
1:133333 رونیز - سازمان نقشه برااری.
)2 علیزاا ، ا . 1390 ، اصرول د شرناسی کاربرای،
35 – اانشگا امام رضا مشهد، چاپ یازاهم، صفحه 17
3) Amadi, A.N., Olasehinde, P.I., Okunlola, I.A., Okoye, N.O., and Waziri, S. 2010. A multidisciplinary approach to subsurface characterization in Northwest of Minna, Niger State, Nigeria. Bayero J. Phys. Math. Sci. 3(1), 74–83.
4) Anomohanran, O. 2013. Geophysical investigation of groundwater potential in Ukelegbe, Nigeria, Journal of Applied Sciences. 13(1): 119-125.
5) Anomohanran, O. 2013. Investigation of Groundwater Potential in Some Selected Towns in Delta North District of Nigeria, International Journal of Applied Science and Technology. 3(6): 61-66.
6) Ayolabi, E. A., Adeoti, L., Oshinlaja, N. A., Adeosun, I. O. and Idowu, O. I. 2009: Seismic refraction and resisitivity Studies of part of Igbogbo Township, south-west Nigeria, Journal Science Research and Development. 11: 42-61.
7) Dobrin, M. B. and Savit, C. H. 1988
Introduction to geophysical prospecting (4th edn), Mc Graw-Hill, New York. 245pp.
8) Falcon, N.L., 1974. Southern Iran: Zagros Mountain in Mesozoic-Cenozoic orogenic belts. Geologica: Society of London, Special pub1.4, 199-211.
9) Grellier, S., Reddy, K. R., Gangathulasi, J., Adib, R., and Peters, C. C. 2007, Correlation between electrical resistivity and moisture content municipal solid waste in bioreactor landfill: Geotechnical Special Publication No. 163, ASCE Press, Reston, Virginia.
10) Kneisel, C. 2006, Assessment of subsurface lithology in mountain environments using 2D resistivity imaging: Geomorphology. 80; 32-44.
11) Sudha, K., Israil, M., Mittal, S. and Rai, J. 2009, Soil characterization using electrical
resistivity tomography and geotechnical investigations: Journal of Applied Geophysics. 67; 74-79.
12) Szalai, S, and Szarka, L. 2008 On the classification of surface geoelectric arrays. geophys. Prospect. 56: 159175.
13) Tahmasbinejad, H. 2009: Geoelectric investigation of the aquifer characteristics and groundwater potential in Behbahan Azad University Farm, Khuzestan Province, Iran. Journal of Applied Sciences 9(20).36913698.