اثر بهینه سازی کرنل در مدلسازی پدیده خشکسالی با بهره‌گیری از هوش محاسباتی (مطالعه موردی: شهر سنندج)

الموضوعات :

جهانبخش 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

تاريخ الإرسال : 29 الخميس , ربيع الأول, 1443 تاريخ التأكيد : 22 الثلاثاء , جمادى الثانية, 1443 تاريخ الإصدار : 29 الثلاثاء , شعبان, 1444

الکلمات المفتاحية: کرنل, هوش محاسباتی, شبکه عصبی, رگرسیون بردار پشتیبان,

ملخص المقالة :

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.

المصادر:

1. Alizadeh MR, Nikoo MR. 2018. A fusion-based methodology for meteorological drought estimation using remote sensing data. Remote sensing of environment, 211: 229-247. doi:https://doi.org/10.1016/j.rse.2018.04.001.
2. Cancelliere A, Di Mauro G, Bonaccorso B, Rossi G. 2007. Drought forecasting using the standardized precipitation index. Water resources management, 21(5): 801-819. doi:https://doi.org/10.1007/s11269-006-9062-y.
3. Cigizoglu HK. 2005. Generalized regression neural network in monthly flow forecasting. Civil Engineering and Environmental Systems, 22(2): 71-81. doi:https://doi.org/10.1080/10286600500126256.
4. Cortes C, Vapnik V. 1995. Support-vector networks. Machine learning, 20(3): 273-297. doi:https://doi.org/10.1007/BF00994018.
5. Danandeh Mehr, A., Nourani, V., Karimi Khosrowshahi, V., & Ghorbani, M. A. (2019).
A hybrid support vector regression-firefly model for monthly rainfall forecasting. International
Journal of Environmental Science & Technology (IJEST), 16(1). doi:https://doi.org/10.1007/s13762-018-1674-2.

6. Ebrahimikhusfi Z, Khosroshahi M, Naeimi M, Zandifar S. 2019. Evaluating and monitoring of moisture variations in Meyghan wetland using the remote sensing technique and the relation to the meteorological drought indices. Journal of RS and GIS for Natural Resources, 10(2): 1-14. doi:http://girs.iaubushehr.ac.ir/article_666807.html. (IN Persian).

7. Gardner MW, Dorling S. 1998. Artificial neural networks (the multilayer perceptron)—a review of applications in the atmospheric sciences. Atmospheric environment, 32(14-15): 2627-2636. doi:https://doi.org/10.1016/S1352-2310(97)00447-0.
8. Ghasemi A, Fallah A, Shataee Joibari S. 2016. Evaluation of four algorithms for estimation of canopy cover of mangrove forests by using aerial imagery. Journal of RS and GIS for Natural Resources, 7(2): 1-16. http://girs.iaubushehr.ac.ir/article_524151.html. (IN Persian).
9. Gholamnia M, Khandan R, Bonafoni S, Sadeghi A. 2019. Spatiotemporal analysis of MODIS NDVI in the semi-arid region of Kurdistan (Iran). Remote Sensing, 11(14): 1723. doi:https://doi.org/10.3390/rs11141723.
10. Hamzeh S, Farahani Z, Mahdavi S, CHATRABGOUN O, Gholamnia M. 2017. Spatio-temporal monitoring of agricultural drought using remotely sensed data (Case study of Markazi province of Iran).https://jsaeh.khu.ac.ir/article-1-2749-en.html&sw=Hamzeh. (IN Persian).
11. Khosravi I, Jouybari-Moghaddam Y, Sarajian MR. 2017. The comparison of NN, SVR, LSSVR and ANFIS at modeling meteorological and remotely sensed drought indices over the eastern district of Isfahan, Iran. Natural Hazards, 87(3): 1507-1522. doi:https://doi.org/10.1007/s11069-017-2827-1.
12. Li G, Liu Z, Li J, Fang Y, Liu T, Mei Y, Wang Z. 2018. Application of general regression neural network to model a novel integrated fluidized bed gasifier. International Journal of Hydrogen Energy, 43(11): 5512-5521. doi:https://doi.org/10.1016/j.ijhydene.2018.01.130.
13. Mahmoudzadeh H, Azizmoradi M. 2019. Deforestation modeling using artificial neural network and GIS (Case study: forests of Khorramabad environs). Journal of RS and GIS for Natural Resources, 10(4): 74-90. http://girs.iaubushehr.ac.ir/article_670420.html. (IN Persian).
14. McKee TB, Doesken NJ, Kleist J. 1993. The relationship of drought frequency and duration to time scales. In: Proceedings of the 8th Conference on Applied Climatology, vol 22. Boston, pp 179-183.
15. Mishra A, Desai V. 2005. Drought forecasting using stochastic models. Stochastic environmental research and risk assessment, 19(5): 326-339. doi:https://doi.org/10.1007/s00477-005-0238-4.
16. Mishra AK, Singh VP. 2011. Drought modeling–A review. Journal of Hydrology, 403(1-2): 157-175. doi:https://doi.org/10.1016/j.jhydrol.2011.03.049.
17. Noriega L. 2005. Multilayer perceptron tutorial. School of Computing Staffordshire University.
18. Pachauri RK, Allen MR, Barros VR, Broome J, Cramer W, Christ R, Church JA, Clarke L, Dahe Q, Dasgupta P. 2014. Climate change 2014: synthesis report. Contribution of Working Groups I, II and III to the fifth assessment report of the Intergovernmental Panel on Climate Change. Ipcc.
19. Rahmati O, Falah F, Dayal KS, Deo RC, Mohammadi F, Biggs T, Moghaddam DD, Naghibi SA, Bui DT. 2020. Machine learning approaches for spatial modeling of agricultural droughts in the south-east region of Queensland Australia. Science of the Total Environment, 699: 134230. doi:https://doi.org/10.1016/j.scitotenv.2019.134230.
20. Specht DF. 1991. A general regression neural network. IEEE transactions on neural networks, 2(6): 568-576. doi:https://doi.org/10.1109/72.97934.
21. Trenberth KE, Dai A, Van Der Schrier G, Jones PD, Barichivich J, Briffa KR, Sheffield J. 2014. Global warming and changes in drought. Nature Climate Change, 4(1): 17-22. doi:https://doi.org/10.1038/nclimate2067.
22. Vapnik VN. 1999. An overview of statistical learning theory. IEEE transactions on neural networks, 10(5): 988-999. doi:https://doi.org/10.1109/72.788640.
23. Wilhite DA. 2000. Drought as a natural hazard: concepts and definitions.
24. Wu B, Ma Z, Yan N. 2020. Agricultural drought mitigating indices derived from the changes in drought characteristics. Remote Sensing of Environment, 244: 111813. doi:https://doi.org/10.1016/j.rse.2020.111813.
25. Yu P-S, Chen S-T, Chang I-F. 2006. Support vector regression for real-time flood stage forecasting. Journal of hydrology, 328(3-4): 704-716. doi:https://doi.org/10.1016/j.jhydrol.2006.01.021.