بررسی و تحلیل خشکسالی هواشناسی با استفاده از شبکه‌های عصبی مصنوعی در استان تهران

فصلنامه علمی مهندسی منابع آب

مقاله 2، دوره 4، شماره 9، خرداد و تیر 1390، صفحه 17-28   

نویسندگان

علی اکبر عرب سلغار^{* 1}؛ حسین صدقی²؛ مهران ملکی¹

¹دانشجوی کارشناسی ارشد مهندسی آب دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران

²استاد دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران

تاریخ دریافت: 19 دی 1394،  تاریخ پذیرش: 19 دی 1394 

چکیده

خشکسالی به عنوان یکی از بزرگ ترین بلایای طبیعی بشمار می آید، چه، تاثیر آن بر جوامع بشری بیش تر از دیگر بلایای طبیعی است. مطالعه در زمینه ی خشکسالی نقشی بسیار مهم در برنامه‌ریزی‌ها و مدیریت منابع آب دارد. هدف این مقاله، تحلیل و بررسی خشکسالی بر اساس داده‌های بارندگی سالانه در استان تهران با استفاده از آلگوریتم بدون فراسنج تحلیل مکانی شبکه‌های عصبی (SANN) می‌باشد. داده‌های بهنجارسازی و معیار شده ی بارندگی به درجات معینی از شدت خشکسالی (بسیار زیاد، زیاد، متوسط و بدون خشکسالی) بر اساس روش حدآستانه و استفاده از توزیع بهنجار معیار طبقه‌بندی شدند سپس احتمالات خشکسالی در هر نقطه معین در منطقه تعیین شد و براساس نمایه ی شدت خشکسالی بیزین به درجات خشکسالی معین طبقه‌بندی شدند. همچنین، نقشه‌های شدت خشکسالی در استان تهران که نشان دهنده ی تغییرات مکانی از شدت خشکسالی برای کل منطقه در یک سال بخصوص می‌باشند، رسم گردیدند. نتایج نشان می‌دهند که در طول دوره‌ی آماری 30 ساله (1387-1358) 7/16% سال‌ها دارای خشکی بسیار زیاد، 65/26% سال‌ها دارای خشکی زیاد،30% سال‌ها دارای خشکی متوسط و 65/26% سال‌های بدون خشکی بوده اند که 23 درصد خشکسالیها مربوط به دهه ی نخست و دو دهه ی دیگر به گونه ی مساوی 5/38 درصد خشکسالی ‌ها را به خود اختصاص داده‌اند
 

کلیدواژه‌ها

خشکسالی؛ آلگوریتم بدون فراسنج تحلیل مکانی خشکسالی؛ شبکه ی عصبی؛ نمایه ی بیزین

مراجع

1- احمدی، ح. 1383. بررسی عوامل مؤثر در بیابانزایی. مجله جنگل و مرتع. شماره 62.

2- اختری، ر.، م. ح. مهدیان و س. مرید. 1385. تحلیل مکانی نمایه های خشکسالی SPI و EDI در استان تهران. سال دوم شماره 3. انجمن علوم و مهندسی منابع آب.

3- رضیئی، ط.، ع. شکوهی، ب. ثقفیان و پ. دانشکار آراسته. 1382. پایش پدیده خشکسالی در ایران مرکزی با استفاده از نمایه SPI. سومین کنفرانس منطقهای تغییر اقلیم.

4- شامحمدی حیدری، ز.، پ. حقیقتجو و پ. افراسیاب.1379. تعیین خشکسالیها و ترسالیها براساس آمار بلند مدت بارندگیهای سالانه در ایران. مجموعه مقالات کنفرانس ملی

بررسی راهکارهای مقابله با بحران آب. دانشگاه زابل. اسفند ماه..702-63 .ص

5- شاهیان، ر.، ع. ک. جامع، ر. مستمند، م. حقیقت و م.دهقان. 1388. پهنهبندی آستانه بحران خشکسالی استان فارس با استفاده از نمایه معیار بارش(SPI) در جهت نیل به مدیریت ریسک خشکسالی. همایش ملی مدیریت بحران آب. دانشگاه آزاد اسلامی واحد مرودشت.

6- صیادی، ح.، ا. فعالیان و ع. ا. صدرالدینی. 1387. پیشبینی خشکسالی با استفاده از شبکههای عصبی تاخیر زمانی مطالعه موردی : دشت تبریز. سومین کنفرانس مدیریت منابع آب ایران، دانشگاه تبریز، ایران.

7- عثمانی، ل. 1388. کاربرد نمایه SPI در مطالعه خشکسالیها و ترسالیها در استان کردستان طی دوره آماری(1368 تا 1387). همایش ملی بحران آب. دانشگاه آزاد مرودشت.

8- مرادی، ا. و ج. بذرافشان. 1380. بررسی الگوهای مکانی توزیع خشکسالی، با استفاده از شبیه توزیع منطقهای خشکسالی هواشناسی. مجموعه مقالات کنفرانس ملی بررسی راهکارهای مقابله با بحران آب. دانشگاه زابل. ص.106 -116.

9- منهاج، م. ب. 1388. مبانی شبکههای عصبی. جلد اول.انتشارات دانشگاه صنعتی امیرکبیر.

10- نصیری، م. ع.، س. جباری، ف. بوستانی و س. ا. شمسنیا.1388. تحلیل و پایش خشکسالی با استفاده از نمایه معیار شده بارش (SPI): (مطالعه موردی شهرستان مرودشت). همایش ملی مدیریت بحران آب. دانشگاه آزاد اسلامی واحد مرودشت.

11- Moody, J., and D. J. Darken. 1989.Fast learning in networks of locally-tuned

processing units. Neural Comput. 1: 281-294.

12- Parzen, E. 1962. On the estimation ofa probability density function and mode.Annal. Math. Statis. 33: 1065–1076.

13- Saha, A., and J. D. Keeler. 1990.networks P: 482-489 in D. S. Touretzky.(eds). Advances in neural information

processing system 2, Morgan Kaufmann,San Monteo, C.A.

14- Specht, D.F. 1991. A generalregression neural network , IEEE Trans.On Neural Networks, 2(6).

15- Shin, H.S., and J.D. Salas. 2000.Regional drought analysis based on neuralnetworks. J. Hydrol. Eng. 5: 145–155.