پیش بینی طوفانهای گرد و غباری در دشت سیستان (کاربرد تلفیق رگرسیون چند متغیره و شبکه عصبی – فازی ANFIS) | ||
| فصلنامه علوم محیطی | ||
| مقاله 7، دوره 24، شماره 1، بهار 1405، صفحه 105-118 اصل مقاله (893.66 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.48308/envs.2025.238549.1483 | ||
| نویسندگان | ||
| محدثه میر؛ محمود احمدپور برازجانی* ؛ علیرضا سرگزی؛ ماشاالله سالارپور؛ سامان ضیایی | ||
| گروه اقتصاد کشاورزی، دانشکده کشاورزی، دانشگاه زابل، زابل، ایران | ||
| چکیده | ||
| سابقه و هدف: پیشبینی روند طوفانها، امکان برنامهریزی به منظور کنترل بحران گردوغبار را برای مدیران و مسئولان فراهم میسازد. الگوهای شبکه عصبی مصنوعی از جمله روشهای پرکاربرد برای پیشبینی است. در اغلب مطالعات، محققان برای یافتن مناسبترین الگوی شبکه عصبی مصنوعی که دقت بیشتری داشته باشد، چندین الگو تشکیل میدهند تا مدلی که بیشترین دقت را دارد انتخاب کنند. هدف تحقیق حاضر، تلفیق الگوی رگرسیون چندمتغیره و شبکه عصبی– فازی ANFIS به منظور دستیابی سریعتر به الگوی مناسب است. مواد و روشها: در این تحقیق از دادههای روزهای گردوغباری، دما، بارندگی، رطوبت نسبی مأخوذه از ایستگاه سینوپتیک زابل، سالنامههای آماری و آمار مربوط به آورد رودخانه هیرمند استفاده شده است. در ابتدا با استفاده از دادههای بارندگی به منظور بررسی وضعیت خشکسالی، مقدار شاخص SPI در نرمافزار برنامهنویسی R-Studio محاسبه شد. سپس مدل رگرسیونی چندمتغیره با استفاده از دادههای دما، حداکثر سرعت باد، آورد رودخانه هیرمند، شاخص SPI و تعداد روزهای گردوغباری به کمک نرمافزار Eviews برآورد شد. درنهایت، دو مدل شبکه عصبی- فازی ANFIS با ورودیهای متفاوت در نرمافزار MATLAB توسعه داده شد. بدینصورت که متغیرهای ورودی به مدل اول به صورت تصادفی انتخاب شد و برای تعیین متغیرهای ورودی مدل دوم از خروجی مدل رگرسیونی استفاده شد. نتایج و بحث: نتایج نشان داد، روزهای گردوغباری بیشترین همبستگی را با آورد رودخانه هیرمند با ضریب ۰.70- و پس از آن با شاخص خشکسالی (SPI) با ضریب ۰.65- دارد. شاخص SPI شامل مقادیر مثبت و منفی است، در سالهایی که مقدار شاخص SPI کاهش یافته و نشاندهنده خشکسالی میباشد، روزهای گردوغباری افزایش یافته است؛ بدن ترتیب همبستگی منفی و معکوسی ایجاد شده است. پس از آن ضریب همبستگی دما با تعداد روزهای گردوغباری با مقدار 0.56 و درنهایت ضریب همبستگی سرعت باد با روزهای گردوغباری 0.45 قرار دارد. نتایج برآورد رگرسیون چندمتغیره نشان داد که متغیرهای جریان رودخانه هیرمند، شاخص SPI، دما و سرعت باد اثر معنیداری بر تعداد روزهای گردوغباری دارند و علامت ضریب آنها مطابق انتظار است. درنهایت، با استفاده از نرمافزار MATLAB و مدل ANFIS دو مدل با ورودیهای متفاوت بررسی شد. در مدل اول از متغیرهای دما، رطوبت نسبی و بارندگی به عنوان ورودی استفاده گردید. در مدل دوم متغیرهای آورد رودخانه هیرمند، شاخص SPI و دما که طبق نتایج ضرایب همبستگی و مدلسازی رگرسیون بیشترین تأثیر را بر روزهای گردوغباری داشتند، به عنوان ورودی تعیین شدند. نتایج ارزیابی دو مدل نشان داد، مدل دوم که مبتنی بر نتایج مدلسازی رگرسیونی و بررسی ضرایب همبستگی است، از خطای کمتری برخوردار است. نتیجهگیری: پیشبینی حوادث در آگاهسازی مدیران و برنامهریزان به منظور مدیریت مخاطرات بسیار مؤثر میباشد. شبکههای عصبی مصنوعی از جمله مهمترین روشها به منظور پیشبینی هستند، اما انتخاب ورودیهای مناسب به منظور افزایش دقت پیشبینی با شبکه عصبی مصنوعی بسیار اهمیت دارد. در بعضی مطالعات، محققان مجبور به ساخت چندین شبکه عصبی هستند تا شبکهای که کمترین خطا را دارد را از بین آنها انتخاب کنند که مستلزم صرف زمان زیادی است. در تحقیق حاضر، در ابتدا ضرایب همبستگی بین تمامی متغیرهای مدنظر محاسبه و با تخمین مدل رگرسیون چندمتغیره میزان اثرگذاری متغیرهای انتخابی بر متغیر وابسته بررسی شد. نتایج نشان داد درصورتیکه متغیرهایی با بیشترین همبستگی و تأثیر معنیدار، بر متغیر وابسته به عنوان ورودی به شبکه عصبی- فازی انتخاب شود، دقت شبکه عصبی- فازی ANFIS افزایش مییابد. | ||
| کلیدواژهها | ||
| خشکسالی؛ شاخص استاندارد شده بارش؛ شبکه عصبی-فازی ANFIS؛ منطقه سیستان | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 1,434 تعداد دریافت فایل اصل مقاله: 676 |
||