ارزیابی ارتباط زمانی خشکسالی‌های هواشناسی و آبشناسی با کاربرد برنامه‌ریزی‌های ژنتیک (GP) و سامانه‌ی استنتاج تطبیقی عصبی- فازی (ANFIS) در حوضه‌ی آبخیز صوفی‌چای

محورهای موضوعی : برگرفته از پایان نامه

سهیلا زارعی ¹ , احمد فاخری فرد ²

1 - فارغ التحصیل کارشناسی ارشد منابع آب، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز
2 - استاد گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز

تاریخ دریافت : 1393/06/22 تاریخ پذیرش : 1393/06/22 تاریخ انتشار : 1393/06/01

کلید واژه: خشکسالی هواشناسی, خشکسالی آبشناسی, شبیه GP, شبیه ANFIS,

چکیده مقاله :

پیش‌بینی پدیده‌هایی نظیر خشکسالی، که گاهی آثار زیان بار آنها جبران پذیر نیست، یکی از مهمترین مسائل برای محققان بوده است. در این پژوهش با بهره‌وری از داده‌های بارش و جریان­های ماهانه‌ی40 ساله (1349-1388) در حوضه‌ی آبخیز صوفی‌چای واقع در استان آذربایجان شرقی، دوره‌های خشکی مربوط به هر گروه داده بارش و جریان، با کاربرد روش رژیم بهنجار ماهانه استخراج گردید، سپس ارتباط زمانی بین خشکسالی­های هواشناسی و آبشناسی با کاربرد روش­های هوش مصنوعی نظیر GP و ANFIS بررسی شد تا با استفاده از شبیه مناسب­تر بتوان با داشتن خشکسالی­های هواشناسی، خشکسالی­های آبشناسی را از نظر زمان وقوعشان، قبل از رخدادن آنها پیش‌بینی کرد. دو روش مزبور با به‌بکارگیری آماره‌های مناسب، مانند ضریب همبستگی (r²)، مجذور میانگین مربعات خطا (RMSE) و میانگین مطلق انحرافات (MAD) ارزیابی شدند؛ نتایج نشان دادند که بین هر دو خشکسالی، در هر دو شبیه انتخاب شده، همبستگی بالایی با ضریب همبستگی در حدود 99/0 وجود دارد، که بیانگر نیکویی هر دو شبیه در ایجاد ارتباط زمانی بین خشکسالی­های هواشناسی و آبشناسی می‌باشد. با توجه به معیارهای خطا می‌توان نتیجه گرفت که می‌توان زمان رخدادن خشکسالی آبشناسی را با کاربرد روش ANFIS، و با آماره‌های 98/4 RMSE= و83/3 MAD= نسبت به شبیه GP با 437/6 RMSE= و 201/5 MAD=  با اطمینان بیش­تری پیش‌بینی کرد.

چکیده انگلیسی:

Hydrological drought (HD) is the most devastating natural phenomena that are falls the inhabitants of dry lands as its dive consequences may not be compensated. Therefore, its prediction has been puzzling researchers from time immemorial. As this phenomenon is directly related to the meteorological drought (MD) we decided to establish a relationship between the two for the Sufi-Chai Catchment, the Province of East Azarbaijan, benefitting from 40 years (1950-1989) of monthly precipitation and stream flow data. Using the normal monthly regime method, the drought periods data relating to each series of precipitation and stream flow were extracted and their relationship were established using the GP and ANFIS artificial intelligence techniques in order to predict the occurrence of drought. The accuracy and precision of these 2 techniques were evaluated using the correlation coefficient (r²), root mean square error (RMSE) and mean absolute deviation (MAD). The very high r (0.99) indicated that both techniques correctly predicted the temporal occurrence of HD from MD. The results indicated that ANFIS with the RMSE=4.98 and MAD of 3.83 was superior to GP with the RMSE=6.437 and MAD of 5.021.