Assessment of efficiency of artificial neural network in predicting the trend of desertification processes by using GIS (Case study: Dehloran plain, Ilam)
Subject Areas : Geospatial systems development
Soraya
Yaghoobi
1
(MSc. Graduated of Range Land and Watershed, Ilam University)
Marzban
Faramarzi
2
(Assis. Prof. College of Agriculture, Ilam University)
Haji
Karimi
3
(Assoc. Prof. College of Agriculture, Ilam University)
Javad
Sarvarian
4
(Assis. Prof. College of Agriculture, Ilam University)
Keywords: Artificial Neural Network (ANN), Dehloran plain, Iranian model for desertification potential assessment (IMDPA), Geographic Information System (GIS),
Abstract :
Desertification is recognized as a main problem in the arid and semi-arid areas. Therefore, identification and prediction of the effective factors in development of desertification are very important for better management of these areas. The main purpose of this study was evaluating the accuracy of an artificial neural network model for predicting the desertification process and selects the most effective criteria on desertification in the Dehloran plain by using the Iranian model for desertification potential assessment (IMDPA). In IMDPA model, water and climatic were selected as effective factors in desertification. In this model, three indicators for climate criteria; annual precipitation, drought index (Standardized precipitation index; SPI and continued drought and for water criteria; ground water table depletion, sodium absorption ratio, Cl, electrical conductivity (EC) and total dissolved solids were evaluated. Each index was rated using of IMDPA model. Then desertification intensity and criteria maps were prepared using a geometric average for predicting period in ArcGIS®9.3. Final data were entered into neural network to predict. The results showed that the neural network model has a high efficiency for predicting the desertification process in the study area. The accuracy of the model was about 80% and mean square error (MSe) was less than one. In addition, the climate factor and the index of EC were found the most effective variables for predicting the desertification process. In 2015-2016 predicted the most important probable criteria affecting the intensity of desertification were climate and water with weighted average 2 (moderate in sub-class1, 2 and 3), 1.84 (moderate in sub-class 1and 2), respectively.
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.
