ارزیابی کارایی شبکه عصبی مصنوعی در پیش بینی روند بیابان زایی با استفاده از سیستم اطلاعات جغرافیایی GIS (مطالعة موردی: دشت دهلران، ایلام)
الموضوعات :ثریا یعقوبی 1 , مرزبان فرامرزی 2 , حاجی کریمی 3 , جواد سروریان 4
1 - دانش آموخته کارشناسی ارشد مرتع و آبخیزداری، دانشگاه ایلام
2 - استادیار دانشکده کشاورزی، دانشگاه ایلام
3 - دانشیار دانشکده کشاورزی، دانشگاه ایلام
4 - استادیار دانشکده کشاورزی، دانشگاه ایلام
الکلمات المفتاحية: دشت دهلران, سیستم اطلاعات جغرافیایی, شبکه عصبی مصنوعی, مدل ایرانی ارزیابی پتانسیل بیابان زایی,
ملخص المقالة :
یکی از مشکلات اصلی مناطق خشک و نیمه‌خشک حاکمیت پدیده بیابان زایی است. بنابراین، شناخت و پیشبینی عوامل مؤثر در پیشرفت پدیده بیابانزایی می‌تواند در مدیریت بهتر این مناطق مؤثر واقع شود. هدف از این تحقیق ارزیابی صحت مدل شبکه عصبی مصنوعی در پیشبینی روند بیابانزایی و انتخاب مؤثرترین معیار بیابانزایی در دشت دهلران با استفاده از مدل ایرانی ارزیابی وضعیت بیابانزایی (IMDPA) است. در این روش دو معیار آب و اقلیم به عنوان عوامل مؤثر در بیابانزایی انتخاب شدند. برای معیار اقلیم سه شاخص بارش سالانه، شاخص SPI و تداوم خشکسالی و برای معیار آب پنج شاخص افت آب، نسبت جذب سدیم، کلر، هدایت الکتریکی و کل مواد محلول در آب ارزیابی شد. با استفاده از مدل مذکور هر شاخص امتیازدهی شد. سپس با میانگین هندسی نقشه‌های معیار و شدت بیابانزایی در نرم‌افزار ArcGIS®93 برای دوره مورد نظر تهیه شد. در نهایت داده‌ها به شبکه عصبی مصنوعی جهت پیشبینی وارد شدند. نتایج نشان‌دهنده کارایی بالای مدل‌های شبکه عصبی مصنوعی در پیشبینی روند بیابانزایی بود به گونه‌ای که دقت شبکه بالای 80 درصد و میانگین مربعات خطا کمتر از یک بدست آمد. همین‌طور بر اساس نتایج بدست آمده برای دوره پیشبینی شده مهم‌ترین معیارهای احتمالی تأثیرگذار بر شدت بیابانزایی منطقه به ترتیب معیارهای اقلیم و آب با متوسط وزنی 2 (متوسط زیر کلاس 1، 2 و 3)، 84/1 (متوسط زیر کلاس 1 و 2) رتبه‌بندی گردیدند.
1. افخمی، ح.، م. ت. دستورانی، ح. ملکینژاد و م. مبین. 1389. بررسی تأثیر عناصر اقلیمی بر افزایش دقت روش شبکه عصبی مصنوعی در پیشبینی خشکسالی منطقه یزد. نشریه علوم آب و خاک (علوم و فنون کشاورزی و منابع طبیعی)، 14(51): 157-170.
2. اکبری، م.، ا. رعنایی و س. ح. بدیعی نامقی. 1390. ارزیابی حساسیت پارامترهای ورودی در وضعیت بیابانزایی با استفاده از مدل شبکه عصبی مصنوعی (مطالعه موردی: جنوب شهرستان نیشابور). نشریه آب و خاک (علوم و صنایع کشاورزی)، 25(2): 398-410.
3. بخشندهمهر، ل.، س. سلطانی و ع. سپهر. 1392. ارزیابی وضعیت فعلی بیابانزایی و اصلاح مدل مدالوس در دشت سگزی اصفهان. مرتع و آبخیزداری، 66(1): 27-41.
4. تشنهلب، م. 1382. پیشبینی اقلیمی پارامترهای هواشناسی با استفاده ازشبکههای عصبی- فازی بر اساس آموزش پارامترهای بخش تالی اصفهان. مجموعه مقالات سومین کنفرانس منطقهای تغییر اقلیم. سازمان هواشناسی کشور با همکاری دانشگاه اصفهان. 29 مهرماه الی 1 آبان ماه.
5. خنامانی، ع.، ح. کریمزاده، ر. جعفری و ا. گلشاهی. 1392. ارزیابی کمی وضعیت فعلی بیابانزایی با استفاده از مدل مدالوس (مطالعۀ موردی: دشت سگزی). سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 4(1): 13-25.
6. خوشحال دستجردی، ج. و س. حسینی. 1389. کاربرد شبکه عصبی مصنوعی در شبیهسازی عناصر اقلیمی و پیشبینی سیکل خشکسالی (مطالعه موردی: استان اصفهان). جغرافیا و برنامهریزی محیطی، 21(3): 107-120.
7. زهتابیان، غ. ر.، ح. احمدی، م. اختصاصی و ح. خسروی. 1386. واسنجی مدل مدالوس به منظور ارایه یک مدل منطقهای برآورد شدت بیابانزایی در منطقه کاشان. منابع طبیعی ایران، 60(3): 727-744.
8. سیلاخوری، ا.، م. اونق و ا. سعدالدین. 1392. ارزیابی خطر و ریسک بیابانزائی منطقة سبزوار با استفاده از مدل MICD. مدیریت بحران، 5(1): 89-99.
9. شادمانی، م.، ص. عروفی، ک. محمدی و ع. سبزیپرور. 1390. مدلسازی منطقهای دبی سیلابی در استان همدان با استفاده از شبکه عصبی مصنوعی. مجله پژوهشهای حفاطت آب و خاک، 18(4): 21-42.
10. طباطباییفر، س. م.، غ. زهتابیان، م. رحیمی، ح. خسروی و ش. نیکو. 1392. ارزیابی تأثیر تغییرات زمانی شرایط اقلیمی و وضعیت آب زیرزمینی بر شدت بیابانزایی دشت گرمسار. مدیریت بیابان، 1(2): 39-48.
11. عباسی، ا. پ.، ح. امانی و م. زارعیان. 1393. ارزیابی کمی وضعیت بیابانزایی با استفاده از مدل مدالوس و سیستم اطلاعات جغرافیایی (مطالعه موردی: دشت شمیل- استان هرمزگان). سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 5(1): 87-97.
12. عظیمی، ع.، ک. رنگزن، م. کابلیزاده و م. خرمیان. 1394. برآورد تبخیر و تعرق با استفاده از سنجش از دور، شبکههای عصبی مصنوعی و مقایسه نتایج آن با روش پنمن- مانتیث- فائو در باغات مرکبات شمال خوزستان. ستجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 6(4): 61-75.
13. قلیزاده، م. ح. و م. دارند. 1389. پیشبینی بارش ماهانه با استفاده از شبکههای عصبی مصنوعی (مورد: تهران). پژوهشهای جغرافیای طبیعی (پژوهشهای جغرافیایی)، 42(71): 51-63.
14. کارتالوپولوس، ا. 1390. منطق فازی و شبکههای عصبی (مفاهیم و کاربردها). ترجمه: محمود جورابیان، رحمتاله هوشمند، سعیداله مرتضوی، منوچهر تشکری. انتشارات دانشگاه شهید چمران اهواز. 318 صفحه.
15. کریمی، ک. 1393. بررسی روند و پیشبینی بیابانزایی دشت عباس با استفاده از شبکه عصبی مصنوعی. پایاننامه کارشناسی ارشد دانشکده منابع طبیعی، دانشگاه تهران. 110 صفحه.
16. محمدی، ع. 1393. بررسی روند و پیشبینی بیابانزایی دشت مهران با استفاده از شبکه عصبی مصنوعی. پایاننامه کارشناسی ارشد دانشکده کشاورزی، دانشگاه ایلام. 95 صفحه.
17. ملکیان، آ.، م. ده بزرگی، ا. ه. احسانی و ا. ر. کشتکار. 1392. کاربرد شبکة عصبی مصنوعی در پیشبینی و شبیهسازی شاخص اقلیمی خشکسالی هواشناسی دهک بارش (مطالعة موردی: استان سیستان و بلوچستان). نشریه مرتع و آبخیزداری (مجله منابع طبیعی ایران)، 67(1): 127-139.
18. ملکینژاد، ح. و ر. پورشرعیاتی. 1392. کاربرد و مقایسه مدل سری زمانی تجمعی و مدل شبکه عصبی مصنوعی در پیشبینی تغییرات سطح آب زیرزمینی (مطالعه موردی: دشت مروست). علوم و مهندسی آبیاری، 36(3): 81-92.
19. منهاج، م. ب. 1393. هوش محاسباتی (جلد اول) مبانی شبکههای عصبی. انتشارات دانشگاه صنعتی امیر کبیر (پلیتکنیک تهران). 716 صفحه.
20. نیازی، ی.، م. ر. اختصاصی، ح. ملکینژاد، س. ز. حسینی و ج. مرشدی. 1389. مقایسه دو روش طبقهبندی حداکثر احتمال و شبکه عصبی مصنوعی در استخراج نقشه کاربری اراضی (مطالعه موردی: حوزه سد ایلام). جغرافیا و توسعه، 8(20): 119-132.
21. نیکمنش، م. ر. و غ. ر. رخشندهرو. 1390. ارزیابی توانایی شبکههای مختلف عصبی مصنوعی در پیشبینی تراز آب زیرزمینی در آبخوان محدوده سعادت شهر فارس (یادداشت فنی). تحقیقات منابع آب ایران، 7(1): 82-86 .
22. Chung YW. 2008. Prediction water table fluctuationusing artifical neural network. In partial fulfillment of the requirements for the degree of doctor of philosophy, University of Maryland, 185 pp.
23. Daliakopoulos IN, Coulibaly P, Tsanis IK. 2005. Groundwater level forecasting using artificial neural networks. Journal of Hydrology, 309(1): 229-240.
24. Deo M, Thirumalaiah K. 2000. Real time forecasting using neural networks. In: Artificial neural networks in hydrology. Springer, Chapter 3, pp 53-71.
25. Maithani S, Jain RK, Arora MK. 2009. An Artificial Neural Network based approach for modelling urban spatial growth. ITPI Journal, 4(2): 43-51
26. Nourani V, Ejlali RG, Alami MT. 2011. Spatiotemporal groundwater level forecasting in coastal aquifers by hybrid artificial neural network-geostatistics model: a case study. Environmental Engineering Science, 28(3): 217-228.
27. Nourani V, Mogaddam AA, Nadiri AO. 2008. An ANN‐based model for spatiotemporal groundwater level forecasting. Hydrological Processes, 22(26): 5054-5066.
28. Saravi M, Keshavarzi A, Azareh A. 2013. Modeling of SAR and sulfate concentration using artificial neural network approach. International Journal of Agronomy and Plant Production, 4(3): 499-506.
29. Trafalis TB, Richman MB, White A, Santosa B. 2002. Data mining techniques for improved WSR-88D rainfall estimation. Computers & Industrial Engineering, 43(4): 775-786.
