کاربرد" قواعد انجمنی " در رصد کردن وقایع بارندگی و خشکسالی با استفاده از دمای سطح آبهای آزاد (مطالعه ی موردی: استان خوزستان)

محورهای موضوعی : مقالات برگرفته از پایان نامه

محمد هادی فتاحی ¹ (استادیارگروه مهندسی عمران، دانشگاه آزاد اسلامی واحد مرودشت)
اعظم بامداد ² (کارشناس ارشد آبیاری و زهکشی، گروه مهندسی آب، دانشگاه تهران، پردیس ابوریحان)
علی رحیمی خوب ³ (استادیارگروه مهندسی آب، دانشگاه تهران، پردیس ابوریحان)

تاریخ دریافت : 1394/10/17 تاریخ پذیرش : 1394/10/17 تاریخ انتشار : 1391/04/01

کلید واژه: داده کاوی, شاخص SPI, بارندگی, قواعد انجمنی, دمای سطح آب,

چکیده مقاله :

کشور ایران، به دلیل واقع شدن در عرضهای جغرافیایی 40- 25 درجه شمالی، در معرض تغییرات ویژه ی جوی و اقلیمی قرار دارد، و چنانچه پیش‌بینی پدیده‌های جوی نظیر بارندگی، خشکسالی و ترسالی به درستی صورت گیرد، تأثیر بسزایی در مقابله با بلایای طبیعی، و برنامه‌ریزی منابع آب و کشاورزی خواهد داشت. یکی از عوامل مهم در ایجاد تغییرات اقلیمی، دمای سطح آب گستره‌های آبی است که می‌تواند بر مقدار بارش در نقاط مختلف تأثیر‌گذار باشد. در این تحقیق، سعی شده است تا با استفاده از یکی از روشهای داده‌کاوی به نام قواعد انجمنی، روابط بین دمای سطح آب خلیج فارس و دریای سرخ، و مقدار بارندگی پاییزه و زمستانه سه ایستگاه سینوپتیک آبادان، اهواز و دزفول، واقع در استان خوزستان، طی سالهای 2010- 1966 مورد بررسی قرار گیرد. داده‌کاوی سازمانها را قادر می‌سازد تا با کاوش در مورد داده‌های یک سامانه، الگوها، روندها و رفتارهای آینده را کشف و پیش‌بینی کرده و بهتر تصمیم بگیرند.در این تحقیق، وقایع خشکسالی و ترسالی بر اساس شاخص بارندگی معیار شده تعریف گردیدند و تأثیر جداگانه و همزمان دمای سطح آب خلیج فارس و دریای سرخ در مورد این وقایع، با استفاده از الگوریتم زنجیره ی زمانی داده‌کاوی مورد تجزیه و تحلیل قرار گرفت. الگوریتم توسعه داده شده روابط بین شاخصهای جوی و بارندگی را به طریقه‌ای متفاوت با آنچه به صورت آمار آبشناسی سنتی به دست می‌دهد، پیدا می‌کند. نتایج نشان دادند که استفاده ی همزمان از دمای سطح آب خلیج فارس و دریای سرخ، روابط بیشتری را نسبت به حالت جداگانه کشف می‌نماید. با وجود این که الگوریتم تهیه شده قادر است شرایط خشکی متوسط تا رطوبت شدید را پیش‌بینی کند، اما شرایط خنثی نیز، با احتمال بسیار زیاد و اطمینان بالایی، قابل پیش‌بینی می باشند.  

منابع و مأخذ:

1. Agrawal, R., Imielinski, T., & Swami, A.(1993) . Mining associations between setsof items in massive databases. Proceedingsof the 1993 ACM SIGMOD ConferenceWashington DC, USA. Pp. 312-322.

2. Berry, J. A. and Linoff, G.: 2000, MasteringData Mining: The Art and Science ofCustomer Relationship Management, JohnWiley & Sons, New York, 494 pp.

3. Chandimala, J. and Zubair, L. 2007.Predictability of stream flow and rainfallbased on ENSO for water resources

management in Sri Lanka. Elsevier, Journalof Hydrology. Vol. 335, pp. 303-312.

4. Huang, Y. and Yu, P. S.: 1999, Adaptivequery processing for time-series data, inProceeding of the 5th International

Conference on Knowledge Discovery andData Mining, ACM, pp. 282–286. 

5. Klementine, M.: 1999, A knowledgediscovery methodology for telecommunicationnetwork alarm databases, Ph.D.dissertation, University of Helsinki, Finland.

 

6. Moron, V., Ward, M. N. and Navarra, A.2001. Observed and SST-Forced seasonalrainfall variability across tropical America.Int. J. Climatol. 21: 1467-1501.

7. Nazemosadat S. M. J. and Shirvani ,2006,A. Prediction of Persian Gulf SST usingmultiple regression and principalcomponents analysis. Journal of AgricultureScience and Technology, Vol. 9, issue 3, 1-11.

8. Povinelli, R. J.: 2000, Using geneticalgorithms to find temporal patternsindicative of time-series events, in GECCO2000 Workshop:Data Mining withEvolutionary Algorithms, pp.80–84.

9. Roucou, P., JO. Rocha de Arago, A.Harzallah, B. Fontain and S. Janicot. 1996.Vertical montion changes related to NorthEastBrazil rainfall variability: A GCMsimulation. Int. J. Climatol. 16: 879-892.

10. Shirvani, A., S. Amin and S. M. J.Nazemosadat. 2003.Moniroring DroughtUsing SPI and Z-score for Different TimeScale for Shiraz Station in Iran.Geophysical Research Abstracts, Vol. 5,03812,

11. Tadesse, T., Wilhite D. A., Harms, S.,Hayes, M. J. and Goddard, S. 2004. DroughtMonitoring Using Data MiningTechniques: A Case Study for Nebraska,USA. Natural Hazards. 33:137-159.