Journal of RS and GIS for Natural Resources
,
Issue1,Year,
Spring
2023
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 بمان More
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.
Manuscript profile
Journal of RS and GIS for Natural Resources
,
Issue4,Year,
Winter
2022
پیشینه و هدف بحران خشکسالی یک دوره خشک آب و هوایی است که در هر نقطه از جهان و با هر اقلیمی ممکن است رخ دهد. این بحران اگرچه بهآرامی شروع میشود اما میتواند برای مدتی طولانی تأثیر جدی بر سلامت، محصولات کشاورزی، اقتصاد، انرژی و محیطزیست بگذارد. خشکسالی معیشت و سلامت More
پیشینه و هدف بحران خشکسالی یک دوره خشک آب و هوایی است که در هر نقطه از جهان و با هر اقلیمی ممکن است رخ دهد. این بحران اگرچه بهآرامی شروع میشود اما میتواند برای مدتی طولانی تأثیر جدی بر سلامت، محصولات کشاورزی، اقتصاد، انرژی و محیطزیست بگذارد. خشکسالی معیشت و سلامت انسانها را بهشدت تهدید میکند و خطر ابتلا به انواع بیماریها را افزایش میدهد. ازاینرو مدلسازی و پیشبینی خشکسالی از موضوعات مهم و جدی در جوامع علمی است. درگذشته از مدلهای ریاضی و آماری مانند روش رگرسیون ساده، خودرگرسیونگیری (AR)، میانگین متحرک (MA) و نیز ARIMA جهت مدلسازی خشکسالی استفاده میشد. در سالهای اخیر استفاده از روشهای یادگیری ماشین و هوش محاسباتی جهت مدلسازی و پیشبینی خشکسالی بسیار موردتوجه دانشمندان بوده است. ازجمله از الگوریتمهای هوش محاسباتی که توسط دانشمندان جهت مدلسازی خشکسالی قبلاً موردتوجه قرارگرفته است میتوان به شبکه عصبی پرسپترون چندلایه، شبکه عصبی RBF، ماشین بردار پشتیبان، روشهای فازی و فازی عصبی اشاره کرد. در این تحقیق هدف مدلسازی و پیشبینی خشکسالی با بهرهگیری از سه الگوریتم شبکه عصبی شامل پرسپترون چندلایه، شبکه عصبی RBF و شبکه عصبی رگرسیون تعمیمیافته است. شاخص خشکسالی استفادهشده در این تحقیق شاخص استانداردشده بارش (SPI) است. در این تحقیق از تکنیک موجک در تلفیق با الگوریتمهای شبکه عصبی مصنوعی جهت مدلسازی و پیشبینی خشکسالی در 10 ایستگاه سینوپتیک در کشور ایران (آبادان، بابلسر، بندرعباس، کرمان، مشهد، رشت، سقز، تهران، تبریز و زاهدان) در اقلیمهای مختلف و با توزیع مکانی مناسب در کل کشور ایران استفادهشده است.مواد و روش ها در این تحقیق در ابتدا با استفاده از دادههای بارش ماهانه بین سالهای 1961 تا 2017 شاخص خشکسالی SPI در مقیاسهای زمانی 3، 6، 12، 18، 24 و 48 ماهه از طریق برنامهنویسی در محیط نرمافزار MATLAB پیادهسازی شد. نتایج این مرحله با استفاده از نرمافزارهای علمی موجود MDM و Drinc صحت سنجی شد. در ادامه با استفاده از زنجیره مارکوف به طراحی مدلهای پیشبینی پرداخته شد. در این تحقیق درمجموع از شش مدل هوش محاسباتی شامل سه مدل منفرد شبکه عصبی پرسپترون چندلایه (MLP)، شبکه عصبی تابع پایه شعاعی (RBF) و شبکه عصبی رگرسیون تعمیمیافته (GRNN) و سه مدل ترکیبی (هیبریدی) موجک با این سه مدل بهصورت (WMLP-WRBF-WGRNN) جهت مدلسازی و پیشبینی شاخص SPI در 10 ایستگاه این تحقیق استفادهشده است. در پیادهسازی تمامی این شش مدل از محیط برنامهنویسی نرمافزار MATLAB استفادهشده است. در این تحقیق ابتدا از چهار نوع موجک گسسته شامل دابیشز (Daubechies)، سیملت (Symlets)، کویفلت (Coiflets) و دوضلعی (Biorthogonal) استفاده شد، به دلیل عملکرد بهتر موجک دابیشز، از این نوع موجک در تحقیق بهعنوان گزینه نهایی استفاده شد. در موجک دابیشز استفادهشده در بین مرتبههای 1 تا 45، مرتبه 3 بهترین عملکرد را در بین مقیاسهای زمانی مختلف SPI از خود نشان داد، به همین دلیل از موجک دابیشز مرتبه 3 در تمامی مدلهای ترکیبی این تحقیق استفاده شد. بعد از آموزش همه شش الگوریتم استفادهشده نتایج با معیارهای ارزیابی ضریب تعیین (R2) و جذر میانگین مربعات خطا (RMSE) جهت اندازهگیری اختلاف بین مقادیر واقعی و برآورد شده استفادهشده است.نتایج و بحث نتایج این تحقیق نشان داد که روشهای هوش محاسباتی دقت بالایی در مدلسازی و پیشبینی شاخص خشکسالی SPI دارند. در مرحله اول نتایج نشان داد که مدلهای منفرد MLP، RBF و GRNN درصورتیکه بهطور صحیح آموزش داده شوند نتایجی نزدیک به هم در مدلسازی و پیشبینی شاخص خشکسالی SPI دارند. در مرحله بعد مشاهده شد که تکنیک موجک باعث بهبود نتایج مدلسازی خواهد شد. در استفاده از تکنیک موجک در تلفیق با سه مدل منفرد MLP، RBF و GRNN انتخاب نوع موجک نیز در مدلسازی بهتر مؤثر است، بهنحویکه در این تحقیق ابتدا از چهار نوع موجک گسسته دابیشز، سیملت، کویفلت و دوضلعی در تلفیق با سه مدل منفرد این تحقیق استفاده شد که نتایج این چهار نوع موجک نشان از برتری نسبی موجک دابیشز نسبت به سه موجک دیگر بود. در استفاده از موجک دابیشز نیز از آنجایی این موجک 45 مرتبه دارد و انتخاب مرتبه نیز در مدلسازی مؤثر بود با آزمایش 45 مرتبه موجک مشاهده شد که موجک مرتبه 3 در حالت کلی دارای دقت بالاتری در تمامی مقیاسهای زمانی شاخص SPI (3، 6، 12، 18، 24 و 48 ماهه) و نیز در هر سه الگوریتم MLP، RBF و GRNN دارد. ازاینرو در این تحقیق از موجک مرتبه سوم دابیشز در هر سه الگوریتم این تحقیق و نیز در همه مقیاسهای زمانی استفاده شد. نتایج تحقیق نشان داد که تلفیق تکنیک موجک با هر سه مدل MLP، RBF و GRNN باعث بهبود نتایج خواهد شد. نمودارهای تحقیق نشان داد که برای مقیاس زمانی سهماهه مقادیر بهدستآمده از پیشبینی مدل منفرد در مدلسازی MLP و RBF تا حدودی دارای اختلاففاز یکماهه نسبت به مدل هیبریدی هست، درحالیکه در مدل GRNN این اختلاف پیشبینی کم هست. نتایج مدلسازی برای هر دو حالت مدلسازی منفرد و هیبریدی بیانگر عدم وجود اختلاففاز بین دو روش مدلسازی منفرد و هیبریدی درمقیاسهای زمانی 6، 12، 18، 24 و 48 است. برای مقیاس زمانی 12 و 24 ماهه، مدل منفرد GRNN دارای نوسانات و خطای بیشتری در مدلسازی و پیشبینی ماهانه SPI بوده است درحالیکه مدل هیبریدی در این دو مقیاس زمانی بهمراتب رفتار بهتری در مدلسازی و پیشبینی ماهانه داشته است. نمودارهای پراکنش دادههای مربوط به SPI مشاهداتی ایستگاه آبادان نشان داد که نتایج مدلسازی برای حالت منفرد و هیبریدی در مقیاسهای زمانی 3 و 6 ماهه دقت کمتری نسبت به دیگر مقیاسهای زمانی دارد و جدایی خط برازش و همچنین میزان عدم قطعیت آن بیشتر است. هرچند در همه مدلهای شبکه عصبی و در تمامی مقیاسهای زمانی روش هیبریدی دقت بیشتری از خود نشان داده است. نتایج عددی تحقیق نشاندهنده این است که در تمامی SPI ها و ایستگاههای موردمطالعه، مقادیر تفاضلی R2 مثبت است که بیانگر مقادیر بیشتر R2 مدل هیبریدی نسبت به مدلسازیهای شبکه عصبی منفرد است که به نحوی نشاندهنده بهبود مدلسازی هیبریدی نسبت به مدلهای منفرد است. همچنین مقادیر تفاضلی RMSE نیز در کلیه مدلهای موردبررسی و ایستگاههای موردمطالعه منفی است که نشاندهنده کمتر بودن مقدار RMSE در پیشبینی مدلهای هیبریدی نسبت به مدلهای منفرد شبکه عصبی است. در گرافهای تحقیق دیده میشود که مقدار اختلافها در RMSE و R2 بیانگر میزان اختلاف بیشتر در مقیاسهای زمانی 3 و 6 نسبت به مقیاسهای زمانی 12، 18، 24 و 48 است که به نحوی به ماهیت دادههای این مقیاسهای زمانی برمیگردد. به ترتیب بیشترین بهبود در مقدار R2 و RMSE از مقیاس پایین 3 ماهه به سمت مقیاسهای زمانی بالاتر 48 ماهه است.نتیجه گیری از یافتههای این تحقیق میتوان نتیجه گرفت که الگوریتمهای شبکه عصبی مصنوعی روشهای کارآمدی در مدلسازی و پیشبینی شاخص خشکسالی SPI میباشند. همچنین استفاده از موجک در هر سه مدل شبکه عصبی مصنوعی باعث بهبود نتایج خواهد شد. همچنین میتوان نتیجه گرفت که برای مدلسازی بهتر شاخص خشکسالی SPI لازم است نوع و مرتبه موجک بهینه انتخاب شود. از نتایج این تحقیق میتوان نتیجهگیری کرد که تکنیک موجک تأثیر بیشتری در مقیاسهای زمانی پایینتر یعنی 3 و 6 ماهه نسبت به مقیاسهای بالاتر یعنی 24 و 48 ماهه دارد.
Manuscript profile
Sanad
Sanad is a platform for managing Azad University publications