]4[
| 
|
]5[
| 
|
در این روابط،
مقادیر مشاهداتی (واقعی) پارامتر SPI میباشد که به عنوان داده تست در نظر گرفته شده است و
مقادیر برآورد شده SPI به روش مدلسازی با استفاده از چهار مدل مورد استفاده در این مطالعه میباشد. پارامتر n بیانگر تعداد داده‌های تست مورد استفاده میباشد که برای هر مقیاس زمانی این تعداد داده متفاوت میباشد. در تفسیر کلی مدلهایی با نتایج R2 بیشتر و RMSE کمتر مطلوب‌تر است. با توجه به اینکه 37 سال داده بارش معادل 444 داده ماهانه بارش میباشد و در محاسبه شاخص 6 ماهه SPI پنج داده اول به دلیل فرمولاسیون تجمعی SPI کم می‌شود که در نهایت 439 داده باقی می‌ماند و از این تعداد داده 352 داده (معادل 80 درصد داده‌های SPI) برای آموزش مدلها و 87 داده (معادل 20 درصد داده‌های SPI) نیز به‌عنوان داده تست مدلها استفاده گردید. به همین ترتیب در محاسبه شاخص 12 ماهه SPI، از 433 داده SPI، 347 داده (معادل 80 درصد داده‌های SPI) برای آموزش مدلها استفاده شد؛ و 86 (معادل 20 درصد داده‌های SPI) داده نیز به‌عنوان داده تست مدلها استفاده شد. در محاسبه شاخص 18 ماهه SPI، 342 داده برای آموزش مدلها و 85 داده نیز به‌عنوان داده تست مدلها استفاده شد. در محاسبه شاخص 24 ماهه SPI، 337 داده برای آموزش مدلها و 84 داده نیز به‌عنوان داده تست مدلها استفاده شد و در نهایت برای محاسبه شاخص 48 ماهه SPI، 318 داده برای آموزش مدلها و 79 داده نیز به‌عنوان داده تست مدلها استفاده شد.
نتایج
در شکل 4 سری زمانی بارش در بازه زمانی 1359 تا 1396 و مقادیر SPI برای مقیاسهای زمانی 24،18،12،6 و 48 ماهه برای ایستگاه سنندج در همان بازه زمانی نشان داده شده است. همانطور که در این شکل مشخص است رفتار سری زمانی SPI با افزایش مقیاس زمانی هموارتر می‌گردد. با استفاده از این داده‌های استخراج شده و 80 درصد داده‌های آموزشی پارامترهای مربوط به مدلسازی SVR با کرنل گوسین، MLP، GRNN و مدل پیشنهادی (که درواقع مدل SVR با کرنل تغیر یافته است) بهینه سازی گردید. در شکل 5 مقادیر برآورد شده داده‌های تست برای همه مدلهای مورد مطالعه در این تحقیق به صورت مرتب شده از کوچک به بزرگ نمایش داده شده است. ستون‌های این شکل به ترتیب شامل SVR با کرنل پیشنهادی (ستون اول)، مدل شبکه عصبی GRNN (ستون دوم)، مدل شبکه عصبی MLP (ستون سوم) و ستون آخر مدل SVR با کرنل گوسین است که به نحوی ستون‌های این نمودار به ترتیب بهترین نتایج بدست آمده چیده شده است. سطرهای این نمودار به ترتیب شامل SPI در مقیاس زمانی 6، 12، 18، 24 و 48 ماهه است. رفتار کلی نمودارها در همه مدلسازی ها بیانگر این موضوع است که در SPI هایی با مقیاس زمانی بالاتر برآورد بهتر انجام شده است و SPI مدلسازی شده به مقدار واقعی داده‌های تست نزدیکتر است. هرچند در برآورد داده‌های SPI در مقیاسهای زمانی پایین (6، 12 و 18 ماهه) خطای بیشتری برای هر چهار مدل وجود دارد اما در مدل SVR با کرنل گوسین (ستون چهارم) به نحوی رفتاری سیستماتیک در برآورد مقادیر بالای SPI (بدون در نظر گرفتن علامت) وجود دارد. همانطور که در این نمودارها دیده می‌شود در بیشتر مدلسازیها و مقیاسهای مختلف، برای مقادیر SPI نزدیک به صفر پیش‌بینی‌های مدلها نسبت به دیگر مقادیر SPI نتایج بهتری بدست آمده است و داده‌های برآورد شده به داده‌های تست نزدیکتر است. هرچند مدل SVR با کرنل گوسین (که در بیشتر مطالعات از این فرم استفاده می‌شود) نسبت به دیگر مدلها برآورد ضعیف‌تری را از خود نشان داد ولی با تغییر این کرنل به کرنل پیشنهادی شاهد مدلسازی به مراتب بهتری برای مقیاسهای زمانی مختلف SPI هستیم. نمودارهای شکل 5 بیانگر این موضوع است که در تمامی مقیاسهای زمانی مدل SVR با کرنل پیشنهادی بهتر از مدل SVR با کرنل گوسین در مدلسازی بوده است.
شکل 4. نمودار مقادیر بارش و SPI در بازه‌های زمانی 6، 12، 18، 24 و 48 ماهه
Fig. 4. Precipitation and SPI graph in 6,12,18,24 and 48 monthly time scale
شکل 5. نمودار مقادیر SPI مشاهداتی و پیشبینی با استفاده مدلهای موردبررسی
Fig. 5. Observed and predicted amount of SPI with processing models
شکل 6 بیانگر پراکنش مقادیر بین SPI مشاهداتی و نتایج حاصل از مدلسازی با چهار مدل استفادهشده در تحقیق است که نمودار رگرسیون خطی بین مقادیر برآوردشده و مشاهداتی نیز نمایش داده‌شده است. به همراه این نمودار رگرسیون خطی باند عدم قطعیت 95 درصد برآوردها نیز آورده شده است که به نحوی نشان‌دهنده میزان خطای برآورد در رگرسیون خطی است. هر مقدار این باند پهنای بیشتری داشته باشد عدم قطعیت بیشتری در برآوردها برای آن بخش از مشاهدات بوده است. به‌عبارتی‌دیگر این نمودار شکل دیگری از نمودار 5 است که در آن به نحوی جدایی بین مقادیر مشاهداتی و برآورد شده در مقادیر مختلف SPI نمایش داده شده است. شکل 6 شامل چهار ستون و پنج سطر است که ستون اول تا چهارم به ترتیب مدل SVR با کرنل پیشنهادی، مدل GRNN، مدل MLP و مدل SVR با کرنل گوسی است. سطرهای این شکل به ترتیب مربوط به شاخص SPI در مقیاسهای زمانی 6 تا 48 ماهه است. تعداد نمودارهای این شکل، 20 نمودار است که هرکدام دو محور x و y دارند که محور x هر کدام بیانگر مقدار SPI مشاهداتی (واقعی) و محور y بیانگر مقدار مدلسازی شده (خروجی مدلها) است. همانطور که در این اشکال دیده می‌شود میزان عدم قطعیت برآورد مدلها در SPI شش‌ماهه بیشتر از دیگر حالات SPI است. همچنین مدل SVR با کرنل گوسین بیشترین عدم قطعیت را نسبت به دیگر مدلها در حالات مختلف SPI را دارد.
شکل 6. نمودار پراکنش دوبعدی مقادیر SPI مشاهداتی و پیشبینی با استفاده مدلهای موردمطالعه به همراه نمودار رگرسیون بین آن‌ها.
Fig. 6. Scatter plot of observed and predicted SPI for each model with its regression line
در شکل 7 پارامترهای ارزیابی مدلها شامل مقادیر RMSE و R2 مربوط به مدلهای مختلف برای حالات SPI شش تا 48 ماهه آورده شده است. ستون‌های شکل 7 به ترتیب RMSE و R2 مربوط به مدلهای SVR با کرنل جدید (پیشنهادی)، مدل GRNN، مدل MLP و مدل SVR با کرنل گوسی است. سطرهای این شکل نیز مربوط به شاخص SPI در مقیاسهای زمانی مختلف است. مقادیر هر سلول شکل بیانگر مقدار عددی RMSEو R2 است. در رنگ‌بندی شکل، قسمت الف که مربوط به RMSE است، هر چه رنگ سلولی به سبز تیره نزدیکتر باشد دقت پایین‌تر (RMSE بیشتر) و هر چه رنگ سلولی به قرمز تیره نزدیکتر باشد باشد، دقت بالاتر (RMSE کمتر) است. در قسمت ب شکل 7 نیز هر چه رنگ سلولی به سبز تیره نزدیکتر باشد دقت بالاتر (R2 بیشتر) و هر چه رنگ سلولی به قرمز تیره نزدیکتر باشد باشد، دقت پایین‌تر (R2 کمتر) است. در حالت کلی هرچه مقدار RMSE به عدد صفر و مقدار R2 به عدد یک نزدیکتر باشد مدلسازی بهتری انجام شده است. مقادیرRMSE به ترتیب با افزایش مقیاس زمانی از 6 به 48 برای همه مدلها روند کاهشی دارد و این مقادیر دقیقاً متناظر با رفتار مدل‌سازی‌های مربوط به نمودارهای شکل 5 میباشد. بررسی نتایج عددی نشان میدهد که مدل GRNN تنها در مقیاس زمانی شش ماهه (با RMSE=0.495 و R2=0.757) توانسته بهتر از مدل پیشنهادی (با RMSE=0.603 و R2=0.64) باشد. در تمامی مقیاسهای زمانی دیگر مدل پیشنهادی عملکرد بهتری داشته است. مقایسه نتایج عددی بین مدل SVR با کرنل گوسی و مدل SVR با کرنل پیشنهادی نشان میدهد که انتخاب بهینه کرنل تأثیر بالایی در رفتار مدل SVR دارد. به عنوان مثال مقدار RMSE و R2 مربوط به SPI 48 در مدل SVR با کرنل پیشنهادی به ترتیب (0.093 و 0.991) در مقایسه با مقدار RMSEو R2 مربوط به SPI48 در مدل SVR با کرنل گوسی به ترتیب (0.321 و 0.893) حاکی از تأثیر بالای انتخاب بهینه کرنل (کرنل پیشنهادی) دارد.
شکل 7. مقایسه نتایج مدلسازی روش‌های MLP، GRNN، SVR و SVR_N در SPI های مختلف. الف) مقادیر RMSE، ب) مقادیر R2
Fig. 7. Comparison of MLP، GRNN، SVR and SVR_N models results. A) RMSE, B) R2
شکل 8 مقادیر RMSE و R2 مدلهای استفاده شده در تحقیق را برروی موقعیت مکانی ایستگاه سینوپتیک شهر سنندج نشان میدهد. قسمت الف شکل 8 که مربوط به نتایج RMSE مدلهای استفاده شده در تحقیق در SPI های مختلف است، نشان میدهد که به غیر از SPI شش ماهه در بقیه مقیاسهای زمانی مدل SVR با کرنل پیشنهادی تحقیق بهتر از سه مدل دیگر است. (RMSE کمتری دارد). در SPI شش ماهه مدل GRNN بهتر ظاهر شده است. قسمت ب شکل که نتایج R2 مدلهای مختلف است نیز نشان میدهد مدل SVR با کرنل پیشنهادی تحقیق غیر از مقیاس زمانی شش ماهه در بقیه مقیاسهای زمانی عملکرد بهتری داشته است. (مقدار R2 بیشتر است).
شکل 8. نمایش مقادیر RMSE و R2 مدلهایMLP، GRNN، SVR و SVR_N در SPI های مختلف بر روی نقشه ارتفاعی. الف) مقادیر RMSE، ب) مقادیر R2
Fig. 8. RMSE and R2 values of MLP, GRNN, SVR and SVR_N models in different SPIs on Elevation map. A) RMSE values, b) R2 values
بحث و نتیجه‌گیری
خشکسالی به‌عنوان یکی از بحران‌های طبیعی زمین است که همیشه خسارت‌های زیادی را در حوزه‌های مختلف اجتماعی – اقتصادی – فرهنگی و سیاسی باعث شده است. یکی از روش‌های کاهش اثرات مخرب خشکسالی مدلسازی و پیشبینی این پدیده است. در این مطالعه با بهرهگیری از سه الگوریتم هوش محاسباتی شامل شبکه عصبی GRNN، شبکه عصبی MLP، مدل SVR با کرنل گوسی و نیز با معرفی کرنلی جدید به مدل SVR به مدلسازی خشکسالی در ایستگاه سینوپتیک سنندج پرداخته شد. در این مطالعه از 37 سال داده بارش ماهانه ایستگاه سینوپتیک شهر سنندج، جهت استخراج شاخص خشکسالی SPI در مقیاسهای زمانی 6، 12، 18، 24 و 48 ماهه استفاده شد. در ادامه به مدلسازی شاخص SPI در مقیاسهای زمانی ذکرشده با استفاده از مدلهای MLP،GRNN،SVR و SVR با کرنل جدید پرداخته شد. یکی از نتایج تحقیق این است که مدل GRNN نسبت به دو مدل MLP و SVR با کرنل گوسی دارای کارایی بهتری در مدلسازی است. این موضوع با نتیجه حاصل از پژوهش سیگیزاوغلو که به پیشبینی جریان ماهانه در رودخانه گوکسو در شرق مدیترانه در کشور ترکیه با استفاده از مدل شبکه عصبی FFBP و مدل GRNN پرداخته است و نشان داد که مدل GRNN دارای عملکرد بهتری نسبت به مدل FFBP است مطابقت دارد. نتایج تحقیق حاضر نشان داد که با تغییر و بهبود کرنل در الگوریتم SVR میتوان خشکسالی را با دقت بالاتری مدلسازی نمود که این کار در تحقیقات قبلی تاکنون موردتوجه واقع نشده است. به‌عنوان‌مثال در تحقیقی که توسط رحمتی و همکاران (19) جهت مدلسازی خشکسالی کشاورزی در منطقه جنوب شرقی استرالیا انجام‌شده است، مدل SVR نسبت به دیگر روش‌های درختان طبقه‌بندی و رگرسیون، درختان رگرسیون تقویت‌شده، خطوط رگرسیون تطبیقی و تحلیل تفکیک انعطاف‌پذیر کارایی بیشتری را از خود نشان داده بود که این امر نشان‌دهنده اهمیت و قدرت بالای مدلسازی پدیده خشکسالی با SVR است. لازم به ذکر است در این مطالعه روی کرنل SVR بحثی نشده بود. در تحقیق مشابهی دیگر علیزاده و نیکو (1) برای تخمین خشکسالی هواشناسی در استان فارس از یک روش مبتنی بر ادغام روش‌های مختلف هوش محاسباتی (MLP، Group Method of Data Handling، SVR و Adaptive Neuro-Fuzzy Inference System) به همراه استفاده از داده‌های سنجش‌ازدور استفاده کردند. در این تحقیق نیز ازآنجایی‌که از الگوریتم SVR و چند الگوریتم دیگر هوش محاسباتی و نیز ترکیب آن‌ها استفادهشده است اما به موضوع تغییر و تأثیر کرنل نپرداخته است. همچنین نتایج به‌دست‌آمده در مطالعات خسروی و همکاران (11)، میشرا و سینگ (16) که برای مدلسازی خشکسالی از الگوریتم SVR استفاده کرده‌اند نیز بیانگر کارایی این الگوریتم نسبت به دیگر روش‌ها بوده است و در این تحقیق‌ها نیز اشاره‌ای به موضوع کرنل در SVR نشده است. با توجه به اینکه در مطالعات زیادی از الگوریتم GRNN و MLP نیز در مدلسازی خشکسالی استفادهشده بود در این مطالعه نیز از این دو الگوریتم در کنار روش SVR با کرنل گوسین و کرنل پیشنهادی جهت مقایسه نتایج استفاده گردید. نتایج به‌دست‌آمده در این تحقیق نشان‌دهنده تغییر چشمگیری در کارایی مدل پیشنهادی (SVR با کرنل بهبودیافته) نسبت به SVR با کرنل گوسین و دو الگوریتم GRNN و MLP بوده است. این امر به نحوی نشان‌دهنده اهمیت انتخاب و تغییر در کرنل برای مدلسازی سری زمانی SPI است. به ترتیب مدلهای GRNN، MLP و SVR بعد از SVR_N کارایی بهتری در مدلسازی از خود نشان دادند. البته در این تحقیق صرفاً از یک کرنل پیشنهادی استفادهشده است که میتوان از کرنل‌های مختلف دیگری علاوه بر کرنل پیشنهادی استفاده کرد. در این تحقیق تنها به مدلسازی سری زمانی شاخص SPI پرداخته شد که در مطالعات آتی میتوان از پارامترهای مهم محیطی و اقلیمی و تأثیرگذار در پدیده خشکسالی نظیر میزان رطوبت، درجه حرارت، میزان تبخیر و تعرق در مدلسازی خشکسالی استفاده کرد. پیشنهاد می‌شود در مطالعات آتی به انتخاب بهینه پارامترهای هوش محاسباتی ازجمله پارامتر 
در الگوریتم GRNN و تعیین تعداد بهینه نورون‌های لایه پنهان شبکه عصبی MLP به کمک الگوریتمهای ژنتیک و الگوریتم PSO پرداخته شود.
تقدیر و تشکر
این مقاله حاصل پایاننامه با عنوان مدلسازی مکانی – زمانی پدیده خشکسالی با بهرهگیری از هوش محاسباتی در مقطع (دکترا) در سال 1396 است که با حمایت دانشگاه آزاد اسلامی واحد علوم و تحقیقات (تهران) اجرا شده است.
مراجع
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
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.
Abstract
Drought is one of the most important natural disasters with devastating and harmful effects in various economic, social, and environmental fields. Due to the repetitive behavior of this phenomenon, if the appropriate solutions are not implemented, its destructive effects can remain in the region for years after its occurrence. Most natural disasters, such as floods, earthquakes, hurricanes, and landslides in the short term, can cause severe financial and human damage to society, but droughts are slow-moving and creepy in nature, and their devastating effects appear gradually and over a longer period of time. Therefore, by modeling drought, it is possible to provide plans for drought preparation and reduce the damage caused by it. In this study, computational intelligence algorithms of Multi-Layer Perceptron neural network, Generalized Regression Neural Network, Support Vector Regression with support kernel, and Support Vector regression with the proposed kernel (Support Vector) Regression New kernel has been used to model the drought using the Standardized Precipitation Index. The modeling results, in most cases, showed better performance of the proposed SVR_N model than other models. The values of RMSE and R2 were 0.093 and 0.991, respectively, and the GRNN, MLP, and SVR models performed better in modeling after SVR_N, respectively. Modeling of drought phenomenon in modeling is supported by vector regression method.
Keywords: Computational Intelligence, Neural Network, Kernel, Support Vector Regression
چکیده مبسوط فارسی
پیشینه و هدف:
خشکسالی یا به عبارتی دوره کم‌آبی ازجمله خصوصیت ذاتی هر اقلیمی است، خشکسالی برخلاف خشکی که حالت دائمی از یک اقلیم است، یک اختلال موقتی است. شدت و مدت‌زمان خشکسالی از منطقه‌ای به منطقه دیگر متفاوت است. تعاریف مختلفی از خشکسالی ارائه‌شده است اما در حالت کلی خشکسالی کاهش میزان بارش به زیر مقدار نرمال یک منطقه در درازمدت است. ازآنجایی‌که اثرات خشکسالی بسیار وسیع بوده و همه مسائل زندگی بشری از محیط‌زیست انسان‌ها تا وضعیت اقتصادی و معیشتی مردم را تحت‌الشعاع قرار میدهد، لذا مدلسازی و پیشبینی خشکسالی بسیار در کنترل و مدیریت منابع آب جهت مقابله با اثرات خشکسالی مؤثر است. درگذشته از مدلهای ریاضی‌مانند روش رگرسیون ساده، میانگین متحرک و نیز ARIMA جهت مدلسازی خشکسالی استفاده می‌شد. در سال‌های اخیر استفاده از روش‌های هوش محاسباتی جهت مدلسازی و پیشبینی خشکسالی بسیار موردتوجه دانشمندان بوده است. ازجمله روش‌های هوش محاسباتی میتوان به ابزارهایی مانند انواع شبکه‌های عصبی مصنوعی، منطق فازی، رگرسیون بردار پشتیبان و نیز مدلهای فازی – عصبی اشاره کرد. یکی از شاخص‌هایی که بسیار مورداستفاده دانشمندان در مطالعات خشکسالی بوده است شاخص استانداردشده بارش (SPI) است. هدف از این تحقیق بررسی اثر بهینه‌سازی کرنل در مدل رگرسیون بردار پشتیبان جهت بهبود مدلسازی خشکسالی است. این مطالعه بر روی‌داده‌های بارش ایستگاه سینوپتیک شهر سنندج انجام‌شده است. شهر سنندج به‌عنوان مرکز استان کردستان منطقه‌ای کوهستانی بوده و دارای اقلیم نیمه‌خشک بر پایه شاخص اقلیمی دمارتن و نیمه‌خشک سرد بر پایه اقلیم آمبروژه است. در شهر سنندج میزان میانگین بارش سالانه 458 میلی‌متر است.
مواد و روش:
جهت مدلسازی شاخص SPI در ایستگاه سینوپتیک سنندج از چهار روش هوش محاسباتی شامل شبکه عصبی پرسپترون چندلایه MLP، شبکه عصبی رگرسیون تعمیم‌یافته GRNN، رگرسیون بردار پشتیبان SVR و رگرسیون بردار پشتیبان با کرنل جدید SVR-N در مقیاسهای زمانی 6، 12، 18، 24 و 48 ماهه استفاده شد. در مدلهای هوش محاسباتی نیاز به تنظیم پارامترها در مدلسازی است. انتخاب مقدار بهینه پارامترهای مدل منجر به نتایج بهتر مدلسازی خواهد شد. یکی از پارامترهای مهم در رگرسیون بردار پشتیبان (SVR) انتخاب کرنل بهینه برای مدلسازی است. هر تابعی که در تئوری مرسر صدق کند می‌تواند به‌عنوان کرنل در SVR مورداستفاده قرار گیرد. در این پژوهش از دو کرنل گوسین و یک کرنل جدید (پیشنهادی) در مدلسازی خشکسالی با SVR استفاده شد. در این پژوهش ابتدا شاخص خشکسالی SPI در مقیاسهای زمانی 24،18،12،6 و 48 ماهه در بازه زمانی بین سال‌های 1359 تا 1396 هجری شمسی معادل 1981 تا 2017 میلادی از داده‌های بارش ایستگاه سینوپتیک محاسبه شد. در ادامه جداگانه هر چهار مدل هوش محاسباتی MLP، GRNN، SVR و SVR-N در محیط برنامه‌نویسی نرم‌افزار MATLAB پیاده‌سازی شد. سری زمانی SPI به‌صورت تصادفی به دودسته داده‌های آموزشی مدلهای هوش محاسباتی و داده‌های تست مدلهای هوش محاسباتی تقسیم‌بندی شد. 80 درصد داده‌ها به‌عنوان داده‌های آموزشی و 20 درصد باقی‌مانده به‌عنوان داده‌های تست انتخاب شد. از داده‌های آموزشی جهت تربیت هر چهار مدل MLP، GRNN، SVR و SVR-N استفاده شد و نیز از داده‌های تست جهت مقایسه نتایج حاصل از مدلسازی چهار مدل مذکور استفاده شد.
نتایج و بحث:
نتایج این پژوهش نشان داد هر چهار مدل توانایی بالایی در مدلسازی شاخص خشکسالی SPI دارند. ازآنجایی‌که با افزایش مقیاس زمانی از 6 ماهه به سمت 48 ماهه سری زمانی SPI دارای رفتاری نرم‌تر یا به اصطلاحی هموارتر است لذا همه مدلها با افزایش مقیاس زمانی دارای دقت بالاتری در مدلسازی شدند. با مقایسه خروجی‌های چهار مدل با داده‌های واقعی SPI در 20 درصد داده‌های تست تقریباً در تمامی مقیاسهای زمانی مدل SVR-N دارای نتایج بهتری در مدلسازی شد. همچنین مدل SVR با کرنل گوسین (که در بیشتر مطالعات از این فرم استفاده می‌شود) نسبت به دیگر مدلها برآورد ضعیف‌تری را از خود نشان میدهد که البته با تغییر کرنل در SVR نتایج مدلسازی برای SPI های مختلف خیلی بهتر شد. نتایج بیانگر مقادیر کمتر RMSE و مقادیر بالاتر R2 در مدل پیشنهادی نسبت به دیگر مدلها در حالات SPI مختلف است. تفاوت بین مقادیر RMSE و R2 مدل پیشنهادی و مدل SVR با کرنل گوسین نیز مشهود است که حاکی از اثربخش بودن تغییر کرنل بر مدلسازی است. هرچند مدل GRNN نیز در حالات مختلف مقادیر مناسب RMSEو R2 نسبت به دیگر مدلها داشته است. مدل GRNN برای SPI 6 ماهه دارای بهترین حالت مقادیر RMSE و R2 نسبت به دیگر مدلها بوده است که البته اختلاف آن با مدل پیشنهادی بسیار جزئی است.بالاترین دقت در مدلسازی در بین مدلهای مورداستفاده در مقیاس زمانی 48 ماهه و مربوط به مدل SVR-N که به ترتیب مقدار RMSE و R2 برابر 093/0 و 991/0 شد. پایین‌ترین دقت در مقیاس زمانی 6 ماهه و مربوط به مدل MLP شد که در این مدل نیز به ترتیب مقدار RMSE و R2 برابر 633/0 و 602/0 شد. در مقیاس زمانی 12 ماهه به‌یک‌باره میزان RMSE و R2 تغییر قابل‌ملاحظه‌ای نسبت به مقیاس زمانی 6 ماهه در همه مدلها دارد، این امر به ماهیت نرم‌تر شدن نمودار سری زمانی SPI 12 ماهه برمی‌گردد که در تصاویر این تحقیق نمودار سری‌های زمانی 6 تا 48 ماهه نشان داده‌شده است. در حالت کلی مدل SVR-N دارای بهترین عملکرد در مدلسازی شاخص خشکسالی SPI در مقیاسهای زمانی مختلف شد و بعدازآن مدل GRNN دارای عملکرد بهتری شد. مدل MLP به‌عنوان سومین مدل در مدلسازی شاخص خشکسالی SPI ازلحاظ دقت شد و در انتها مدل SVR با کرنل گوسین قرار گرفت. نتایج این تحقیق حاکی از قدرت بالای ابزارهای هوش محاسباتی در مدلسازی خشکسالی بود.
نتیجه‌گیری:
از یافته‌های این تحقیق میتوان نتیجه گرفت تغییر پارامترهای مدلهای هوش محاسباتی باعث تغییر رفتار مدلسازی این ابزارها خواهد بود. در مدل SVR انتخاب بهینه کرنل تأثیر بسزایی در نتایج مدلسازی داشت. پیشنهاد می‌شود در تحقیقات مشابه وظیفه یافتن پارامترهای بهینه مدلها به الگوریتمهای ابتکاری و فرا ابتکاری سپرده شود و نتایج با روش‌های آزمون‌وخطا مقایسه شود. از طرفی ازآنجایی‌که پدیده‌هایی مانند بارش و شاخص‌های خشکسالی ازجمله SPI دارای رفتاری فرکانسی پیچیده‌ای است لذا توصیه می‌گردد قبل از ورود شاخص SPI به مدلها این شاخص قبلاً از فیلتر موجک عبور کند. این کار باعث تجزیه سری زمانی SPI به مؤلفه‌های فرکانسی می‌شود و درنتیجه باعث افزایش تعداد ورودی‌ها می‌شود. افزایش تعداد ورودی‌ها با فرکانس‌های مختلف باعث می‌شود که فرکانس‌هایی که تأثیر کمتری در نتایج دارند ضرایب کمتری در مدلها داشته باشند و این امر باعث بهبود نتایج خواهد شد. در حالت کلی میتوان نتیجه گرفت که با بهبود مدلهای هوش محاسباتی شامل فیلتر کردن ورودی‌ها و نیز انتخاب مقدار بهینه پارامترهای مدلسازی نتایج بهتری در مدلسازی و پیشبینی خشکسالی حاصل می‌شود.
Extended Abstract
Background and Objective
Drought or water deficiency is one of the inherent characteristics of any climate, and unlike aridity, which is a permanent condition of an environment, drought is a temporary disorder; the severity and duration of drought vary from region to region. There are different definitions of drought, but in general, drought decreases precipitation below the average value of an area in the long term. Because the effects of drought are so wide and affect all aspects of human life from the human environment to the people's economic and living conditions, drought modeling and forecasting is very effective in controlling and managing water resources to deal with the effects of drought. Previously, mathematical models such as simple regression, moving average, and ARIMA were used to model the drought. In recent years, the use of computational intelligence methods to model and predict drought has been of great interest to scientists. Computational intelligence methods include tools such as artificial neural networks, fuzzy logic, support vector regression, and fuzzy-neural models. One of the most widely used indicators by scientists in drought studies is the Standardized Precipitation Index (SPI). The purpose of this research is drought modeling in Sanandaj synoptic station. The city of Sanandaj, as the capital of Kurdistan province, is a mountainous region and has a semi-arid climate based on the Demarten climate index and a cold semi-arid climate based on the Ambrose climate index. In Sanandaj, the average annual rainfall is 458 mm.
Materials and Methods
In this study SPI index in Sanandaj synoptic station was modeled based on four computational intelligence methods, including multilayer perceptron neural network (MLP), generalized regression neural network (GRNN), support vector regression (SVR), and support vector regression with the new kernel (SVR-N) which was used at time scales of 6,12,18,24 and 48 months. Selecting the optimal values of the model parameters will lead to better modeling results. One of the important parameters in support vector regression (SVR) is the selection of the optimal kernel for modeling. Any function that is based on the Mercer theory can be used as a kernel in SVR. In this study, two Gaussian kernels and a new (proposed) kernel were used in drought modeling with SVR modeling. In this study, the first SPI drought index in 6, 12, 18, 24, and 48 months’ time scales in the period between 1981 to 2017 AD was calculated from the precipitation data of the synoptic station. Subsequently, all four computational intelligence models MLP, GRNN, SVR, and SVR-N were implemented in MATLAB software development environment. The SPI time series was randomly divided into two categories: training data for computational intelligence models and test data for computational intelligence models. 80% of the data were selected as training data and the remaining 20% as test data. Training data were used to train all four MLP, GRNN, SVR and SVR-N models, and test data were used to compare the modeling results of the four models.
Results and Discussion
The results of this study showed that all four models have a high ability to model the SPI drought index. Since increasing the time scale from 6 months to 48 months, the SPI time series has a smoother behavior, so all model's results showed more accuracy in modeling with increasing time scale. By comparing the outputs of the four models with the actual SPI data in 20% of the test data, the SVR-N model had better results in modeling in almost all time scales. Also, the SVR model with Gaussian kernel (which is used in most studies) showed a weaker estimate than other models, but with the change of kernel in the SVR, the modeling results for different SPIs were much better. The results showed that the lower values of RMSE and higher values of R2 in the proposed model than other models in different SPI cases. The difference between the RMSE and R2 values of the proposed model and the SVR model with the Gaussian kernel is also evident, indicating that the kernel change is effective on modeling. However, the GRNN model also had appropriate RMSE and R2 values in different cases compared to other models. The GRNN model for 6-month SPI has the best RMSE and values compared to other models; it should be noted that the difference between GRNN and the proposed model is very small. The highest accuracy in modeling among the models used in the 48-month time scale and related to the SVR-N model, which had RMSE and R2 values of 0.093 and 0.991, respectively. The lowest accuracy in the 6-month time scale was related to the MLP model, in which the values of RMSE and were 0.633 and 0.602, respectively.At the 12-month time scale, the amount of RMSE and at the same time has a significant change compared to the 6-month time scale in all models. This is due to the softer nature of the 12-month SPI time series chart, which is shown in the images in this study as a 6 to 48 month time series chart. In general, the SVR-N model had the best performance in modeling the SPI drought index at different time scales, and then the GRNN model had better performance. The MLP model became the third model in modeling the SPI drought index in terms of accuracy, and finally, the SVR model with the Gaussian kernel was included. The results of this study showed the high power of computational intelligence tools in modeling drought.
Conclusion
It can be concluded that changing the parameters of computational intelligence models will change the modeling behavior of these tools. In the SVR model, optimal kernel selection had a significant effect on modeling results. It is suggested that in similar researches, the task of finding the optimal parameters of the models should be entrusted to innovative and meta-heuristic algorithms, and the results should be compared with trial-and-error methods. On the other hand, since phenomena such as precipitation and drought indices such as SPI have a complex frequency behavior, it is recommended that before the SPI index enters the models, this index must first pass through the wavelet filter. This breaks down the SPI time series into frequency components, thereby increasing the number of inputs. Increasing the number of inputs with different frequencies causes the frequencies that have a more negligible effect on the results to have lower coefficients in the models, and this will improve the results. In general, it can be concluded that by improving computational intelligence models, including filtering inputs and selecting the optimal value of model parameters, better results in modeling and drought forecasting are achieved
Sanad
Sanad is a platform for managing Azad University publications
Official pages
The rights to this website are owned by the Raimag Press Management System.
Copyright © 2021-2024
تنها پارامتر قابل تنظیم است که مقدار آن در این تحقیق از طریق سعی و خطا محاسبه شد.
