کاربرد مدل شبکه عصبی موجک در تخمین شاخص بارش استاندارد

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه مهندسی عمران، دانشگاه آزاد خرم آباد، خرم آباد، ایران.

2 مهندسی منابع آب- دانشگاه تبریز

چکیده

خشکسالی یکی از پدیده‌های آب و هوایی است که در همه شرایط اقلیمی و در همه مناطق کره زمین به وقوع می‌پیوندد. پیش‌بینی خشکسالی نقش مهمی در طراحی و مدیریت منابع طبیعی، سیستم‌های منابع آب، تعیین نیاز آبی گیاه ایفا می‌نماید. بدین منظور در این پژوهش از داده‏های 4 ایستگاه باران‌سنجی نورآباد، بروجرد، الشتر و دورود واقع در استان لرستان، به بررسی خشکسالی با استفاده از شاخص بارش استاندارد SPI در مقیاس‏های زمانی 6 و 12 ماهه پرداخته شد. سپس،‌ خشکسالی‏ها با مدل شبکه عصبی موجک ارزیابی گردید. نتایج این پژوهش نشان داد ایستگاه‌های بروجرد و دورود دارای طولانی‌ترین خشکسالی و ایستگاه نورآباد شدیدترین خشکسالی را دارا می‌باشد. همچنین نتایج حاصل از بررسی تعداد ماه‌های خشکسالی نشان داد  بیشترین ماههای خشکسالی در ایستگاه بروجرد رخ‌داده است. نتایج تخمین خشکسالی‏ها با مدل شبکه عصبی موجک نشان داد این مدل در برآورد شاخص خشکسالی ایستگاه دورود نسبت به سایر ایستگاه‌ها نتایج مطلوبی در هر دو مقیاس زمانی ارائه می‌نماید درمجموع نتایج نشان داد مدل شبکه عصبی موجک جهت تخمین خشکسالی در مقیاس زمانی طولانی‌مدت دقت بیشتری از خود نشان داده و استفاده از مدل شبکه عصبی موجک می‏تواند درزمینهٔ تخمین خشکسالی مؤثر باشد که در نوبه خود برای تسهیل توسعه و پیاده‌سازی استراتژی‌های مدیریتی جهت جلوگیری از ایجاد خشکسالی ها مفید است.

کلیدواژه‌ها


عنوان مقاله [English]

Application of Wavelet Neural Network for Predicting Standardized Precipitation Index

نویسندگان [English]

  • Hamid Reza Baba Ali 1
  • Reza Dehghani 2
1 Assistant Professor of Civil Engineering, Islamic Azad University, Khorramabad
چکیده [English]

Drought is one of the most important climatic phenomena which occures in all climate conditions and regions of the earth. Drought forecasting, therefore plays an important role in designing and management of natural resources and water resources systems, assessing plant evapo-transpiration. For this purpose, in this study, data from four meteorological stations nourabad, borujerd, aleshtar and doroud in Lorestan province, on time scales of 6 and 12 months were used to analyze drought by using standardized precipitation index SPI. Then, droughts were evaluated using neural network model estimation. The results showed, Boroujerd and Doroud stations have the longest drought  period, and severe drought is recorded in Nourabad station. The results of the survey showed  that Boroujerd Station had maximum amount of  drought months occurred during the drought period. The results of using wavelet neural network model showed best estimation of SPI for Doroud station than others in both time scales. In conclusion, the results showed more accuracy of wavelet neural network model in estimation of long-term drought, and the use of wavelet neural network model can estimate the drought effectively, Which in return facilitates the development and implementation of management strategies to avoid drought.

کلیدواژه‌ها [English]

  • : Precipitation
  • Drought
  • Standardized precipitation index
  • Wavelet Neural Network

اسدی، ا.، ا. مجنونی هریس، ا. فاخری فرد و ع. ا. صدرالدینی .1388. بررسی خشکسالی استان آذربایجان شرقی با استفاده از شاخص SPI. دومین همایش ملی اثرات خشکسالی و راهکارهای مدیریت آن

افخمی، ح.، م. اختصاصی و م. محمدی.1394. تأثیر پردازش متغیرهای ورودی شاخص بارش استاندارد در پیش‌بینی خشکسالی در شبکه‌های عصبی مصنوعی با استفاده از تبدیل موجک.نشریه تحقیقات مرتع و بیابان ایران، سال 22، شماره3،ص 570-582

اکبرزاده، ی.، ف. صادقی و م. حسین بابایی. 1388. تحلیل مکانی شاخص خشکسالی SPI در استان آذربایجان شرقی طی دوره آماری(۲۰۰۶-1987)، همایش منطقه ای بحران آب و خشکسالی.
شمس­نیا، ا. س.، ن. پیرمرادیان و م. ع.  شاهرخ­نیا. 1387. پایش و تحلیل پراکندگی مکانی شدت خشکسالی سال زراعی 80-1379 استان فارس با استفاده از شاخص معیارشده بارش (SPI) در محیط سامانه­ی جغرافیایی(GIS). مجله دانش نوین کشاورزی، سال چهارم، شماره13، ص 7-21.

صف‌شکن، ف.، ف. رادمنش.1393. استفاده از شبکه عصبی مصنوعی در پیش‌بینی شاخص خشکسالی بارش استانداردشده در استان فارس. دومین همایش ملی بحران آب (تغییر اقلیم، آب و محیط زیست)

کارآموز، م.،  ش. عراقی نژاد. 1389. هیدرولوژی پیشرفته، انتشارات دانشگاه صنعتی امیرکبیر، چاپ دوم، ص356

کاوه، ع.، ع. ایران‌منش.1384. شبکه عصبی مصنوعی در بهینه‌سازی سازه‌ها.چاپ سوم. انتشارات مرکز تحقیقات ساختمان و مسکن.

گلابی، م. ر.، ف. رادمنش و ع. م. آخوند علی.1392. بررسی عملکرد شبکه عصبی مصنوعی و سری‌های زمانی در مدل‌سازی شاخص خشکسالی بارش استاندارد (مطالعه موردی: ایستگاه‌های منتخب استان خوزستان). نشریه خشکبوم.سال 3، شماره1، ص 82-87

نصیری، م. 1389. پیش‌بینی خشک‌سالی با استفاده از شبکه‌های عصبی مصنوعی مطالعه موردی ایستگاه سینوپتیک شیراز، پایان نامه ی کارشناسی ارشد اقلیم شناسی، دانشگاه سیستان و بلوچستان

نگارش، ح.، م. آرمش. 1390. پیش‌بینی خشکسـالی شهـر خـاش بـا استفـاده از مـدل شبکـه عصبی. مطالعات جغرافیایی مناطق خشک.سال 2 ، شماره6، ص  33-50

Barua, S., B.J.C. Perera, A.M. NG and  D.H. Tran.2010. Drought forecasting using an aggregated drought index and artificial neural networks. Journal of water and climate change,1 (3): 206  193 .Belayneh,  A., J. Adamowski,  B. Khalil and B.  Zielinski. 2014. Long-term SPI drought forecasting in the Awash River Basin in Ethiopia using wavelet neural network and wavelet support vector regression models. Journal of Hydrology, 508(4):418-429.
Bonaccorso, B., I. Bordi, A. Cancelliere, G. Rossi and A. Sutera.2003. Spatial variability of drought: an analysis of the SPI in Sicily. Water resources management, 17(4):273-296
Edwards,  D.C.1997. Characteristics of 20th century drought in the United States at multiple time scales. Climatology Report Number 97-2. Colorado State University. Fort Collins, Colorado
Gaye, O., O. Yildiz and A. Duvan .2015.  A Drought Analysis Of Sivas Using The Standardized Precipitation Index (SPI) Method And Drought Estimation With The Artificial Neural Networks. International Journal of Advances in Mechanical and Civil Engineering, 2(5): 1-7
He,  B., A. Lü,  J. Wu, L. Zhao and M. Liu .2011. Drought hazard assessment and spatial characteristics analysis in China. Journal of Geographical Sciences, 21(2):235-49.
Jalalkamali,  A., M. Moradi and M. Moradi. 2015. Application of several artificial intelligence models and ARIMAX model for forecasting drought using the Standardized Precipitation Index. International Journal of Environmental Science and Technology,  4(12):1201-1210
Mishra, A.K.,  V.R. Desai and  P. Singh .2007. Drought Forecasting Using a Hybrid Stochastic and Neural Network Model, Journal of Hydrologic Engineering, 12(6):  626-638
Mishra, A.K., V.P. Singh .2010. A review of drought concepts. Journal of Hydrology. 391(1):202-216.
Nguyen, L.B., Q.F. Li, T.A. Ngoc and  K. Hiramatsu . 2015. Adaptive Neuro–Fuzzy Inference System for Drought Forecasting in the Cai River Basin in Vietnam. Journal of the Faculty of Agriculture Kyushu University, 60(2): 405-415.
Shin, S., D. Kyung, S.  Lee,  J. Taik & Kim and  J. Hyun . 2005. An application of support vector machines in bankruptcy prediction model. Expert Systems with Applications,  28(1): 127-135.
Tsakiris, G., H. Vangelis .2004.Towards a Drought Watch System based on Spatial SPI. Water Resources Management, 18(1): 1–12.
Vapnik, V.N. 1988. Statistical Learning Theory. Wiley, New York.
Wang, D., A.A. Safavi and J.A. Romagnoli .2000.  Wavelet-based adaptive robust M-estimator for non-linear system identification. AIChE Journal, 46(8):1607-1615.