کاربرد سری های زمانی بارش و نمایه های آماری اقلیمی در پیش بینی خشکسالی به کمک شبکه CANFIS (مطالعه موردی: بیرجند- خراسان جنوبی)

نوع مقاله: مقاله پژوهشی

نویسندگان

1 گروه آمار، دانشکده علوم ریاضی و آمار، دانشگاه بیرجند

2 دانشکده منابع طبیعی و محیط زیست، دانشگاه بیرجند

چکیده

پیش بینی خشکسالی به‌عنوان یکی از راهکارهای مدیریتی است که به برنامه‌ریزان کمک خواهد کرد تا برنامه‌ریزی صحیحی برای استفاده از منابع محدود آب و خاک فراهم کنند. خراسان جنوبی بویژه در دهه اخیر به یکی از کانون‌های اصلی بحران خشکسالی در کشور تبدیل شده که این امر تاثیر بسزایی در کاهش تولید مواد غذایی، خطر گرسنگی، افت سطح آب زیرزمینی، تخریب خاک و اراضی داشته است. در این مطالعه با ترکیب سیگنال‌های اقلیمی بزرگ مقیاس با میزان بارش و مقادیر پیشین شاخص خشکسالی SPI، به بررسی کارآیی شبکه های عصبی-فازی CANFIS در پیش بینی خشکسالی منطقه اقلیمی بیرجند پرداخته شده است. از شاخص SPI به‌منظور تعریف و پایش خشکسالی در گام زمانی ماهانه استفاده شد. در این تحقیق و با مرور منابع انجام شده 9 شاخص اقلیمی بزرگ مقیاس جهت پیش بینی خشکسالی انتخاب شد. از بین شاخص‌ها، الگوهای NINO 1+2، NINO 3، MEI، TSA، AMO و NINO 3.4 به کمک روش رگرسیون گام به گام و بررسی ماتریس همبستگی، موثر بر خشکسالی شهر بیرجند تشخیص داده شدندکه در مدل‌سازی از آن‌ها بهره گرفته شد. طول دوره آماری 41 سال (2010-1970) می‌باشد که 60 درصد از این دوره جهت آموزش، 15 درصد جهت اعتبار سنجی متقابل و 25 درصد باقیمانده جهت آزمون شبکه مورد استفاده قرار گرفتند. الگوریتم مورد استفاده در آموزش شبکه، مومنتم و نوع تابع عضویت فازی، تابع گوسی انتخاب شد. با توجه به نتایج حاصل از روش رگرسیون گام به گام، 12 مدل استخراج شد. ولی با توجه به محدودیت شبکه CANFIS در اجرای مدل های با تعداد ورودی‌های بیش از 5 متغیر، فقط 8 مدل اول توسط شبکه CANFIS شبیه‌سازی گردیدند. نتایج آنالیز حساسیت شبکه نشان داد که تقریباً در کلیه مدل‌های مختلف، شاخص‌های NINO و بارش بیشترین تاثیر را بر عملکرد شبکه داشته اند. در مدل شماره 4 (بعنوان مدلی که کمترین میزان خطا را در فرآیند آموزش و آزمون نشان داد)، شاخص NINO 1+2(t-5) با متوسط حساسیت 7/0 بیش‌ترین تاثیر را بر عملکرد شبکه داشت. پس از آن متغیرهای بارش،  NINO 1+2(t)و NINO 3(t-6) به‌ترتیب با حساسیت 59/0، 28/0 و 28/0 توانستند خروجی شبکه را بیش از همه تحت تاثیر تغییرات خود قرار دهند. بر اساس محاسبات آماری و شاخص‌های ارزیابی شبکه مشخص شد که همبستگی با تاخیر شاخص‌های اقلیمی نتایج قابل قبول‌تری بین خشکسالی و ENSO را ارائه داد. در مجموع مدل چهارم با ترکیبی از پارامترهای ورودی NINO 1+2 (با پنج ماه تاخیر و بدون تاخیر)، بارش ماهانه و NINO 3 (با 6 ماه تاخیر) و ضریب همبستگی 903/0 (بین مقادیر مشاهداتی و پیش‌بینی شده) به‌عنوان مناسب‌ترین مدل جهت پیش‌بینی خشکسالی در منطقه اقلیمی بیرجند با استفاده از شبکه CANFIS ارائه شد.    

کلیدواژه‌ها


[1].             Ajdarimoghadam, M., Khosravi, M., Hoseinpoor Niknam, H., & Jafari Nadooshan, E. (2012). Drought forecasting using neuro-fuzzy system, climatic indices, rainfall and drought index (Case study: Zahedan). Journal of Geography and Development, 26, 61-72 (in Farsi).
[2].             Akbari, M., & Akbari, M. (2010). Investigation of climate change on drought and desertification (Case study: Birjand plain). The conference on application of natural geography in environmental planning, Khorramabad, Iran, (in Farsi).
[3].             Alizadeh, A. (2004). Applied Hydrology. 17th edition. University of Imam Reza, Mashad, (in Farsi). 
[4].             Alizadeh, A., & Ashgar toosi, S. (2008). Development of a model for drought monitoring and forecasting (Case study: Khorasan Razavi Province). Journal of Agricultural Sciences and Industries, 22(1), 223-234, (in Farsi).
[5].             Allen, R.J., Beard, G.S., Close, A., Herczeg, A.L., Jones, P.D., & Simpson, H.J. (1996). Mean sea level pressure indices of the El Nino-Southern Oscillation: relevance to stream discharge in south-eastern Australia. CSIRO, Institute of Natural Resources and Environment, Division of Water Resources.
[6].             Anvari, S. (2008). The development of intelligent models for flow prediction using spatial distributed climatic data and snow level. MSc thesis, University of Tarbiat Modarres, (in Farsi).
[7].             Aytek, A. (2009). Co-active neurofuzzy inference system for evapotranspiration modeling. Soft Computing, 13(7), 691-700.
[8].             Aziz, K., Rahman, A., Shamseldin, A. Y., & Shoaib, M. (2013). Co-Active Neuro Fuzzy Inference System for Regional Flood Estimation in Australia. Editorial Board, 11.
[9].             Bacanli, U.G., Firat, M., & Dikbas, F. (2009). Adaptive neuro-fuzzy inference system fordrought forecasting. Stochastic Environmental Research and Risk Assessment, 23(8), 1143-154.
[10].         Bagherzade Chehre, K. (2005). Evaluation of meteorological signals in drought forecasting using artificial neural networks in Tehran province. MSc thesis, University of Tarbiat Modarres, (in Farsi).
[11].         Baldi, P. (1995). Gradient descent learning algorithm overview: A general dynamical systems perspective. Neural Networks, IEEE Transactions on, 6(1), 182-195.
[12].         Banihashemi, E. (2011). Vados zone modeling using Groundwater Vistas (Case study: Birjand plain). MSc thesis, University of Birjand, (in Farsi).  
[13].         Barry, R.G., & Carleton, A.M. (2001). Synoptic and dynamic climatology. Psychology Press.
[14].         Bloutsos, A.A. etal. )2001(. Arima modeling of mean Temparature at the 1000/500 hpalayer over europe. P.95. www.cyf-kr.edu.pl/Zinied 2w/paper 009. html.
[15].         Chiew, F.H., Piechota, T.C., Dracup, J. A., & McMahon, T. A. (1998). El Nino/Southern Oscillation and Australian rainfall, streamflow and drought: Links and potential for forecasting. Journal of Hydrology, 204(1), 138-149.
[16].         Dehghani, A., Asgari, M., & Mosaedi, A. (2009). Comparison of artificial neural network with adaptive neuro-fuzzy inference system and geostatistical techniques for groundwater level interpolation (Case study: Ghazvin plain). Journal of Agriculture and Natural Resources, 16, 517-528, (in Farsi).  
[17].         Edalatgostar, M., Farzadian, A., & Amiri, N. (2009). A stochastic model for drought forecasting in Shiraz. The National Conference on Water Crisis Management, Marvdasht, Iran, (in Farsi).
[18].         Estrela, M.J., Peñarrocha, D., & Millán, M. (2000). Multi‐annual drought episodes in the Mediterranean (Valencia region) from 1950–1996. A spatio‐temporal analysis. International Journal of Climatology, 20(13), 1599-1618.
[19].         Farokhnia, A., Morid, S., & Ghaemi, H. (2008). Data mining on global climatic signals for long-term drought forecasting. The 3rd conference on Iran’s Water Resources Management, Tabriz, (in Farsi).
[20].         Fattahi, E., Sedaghatkerdar, A., & Delavar, M. (2008). Long-term forecasting of precipitation using artificial neural network. Journal of Research and Development in Natural Resources, 80, 44-50, (in Farsi).
[21].         Gangully, A.R. )2002(. Forecasting Rainfall and Floods Advances and way Forward. P.32.Web.mit.edu/auroop/www/interests.html.
[22].         Hemachandra, S., & Satyanarayana, R.V.S. (2013). Co-Active Neuro-Fuzzy Inference System for prediction of electric load. International Journal of Electrical and Electronics Engineering Research, 3(2), 217-222.
[23].         Jang, J.S. (1993). ANFIS: adaptive-network-based fuzzy inference system. Systems, Man and Cybernetics, IEEE Transactions on, 23(3), 665-685.
[24].         Javan, J., & Falsoleyman, M. (2008). Water crisis and necessity of attention to agricultural water use efficiency in arid regions (Case study: Birjand plain). Journal of Geography and Development, 11, 115-138, (in Farsi). 
[25].         Kholghi, M., & Hosseini, S.M. (2009). Comparison of groundwater level estimation using Neuro-Fuzzy and ordinary Kriging. Journal of Environmental Modeling and Assessment, 14(6), 729-753.
[26].         Khosravi, M. (2004). Relationship assessment between global circular patterns of northern hemisphere with Sistan and Baloochestan’s droughts. Journal of Geography and Development, 3, 167-188, (in Farsi).
[27].         Kripalani, R.H., & Kulkarni, A. (1997). Rainfall variability over South‒east Asia—connections with Indian monsoon and ENSO extremes: new perspectives. International Journal of Climatology, 17(11), 1155-1168.
[28].         Martin, M., Cremades, L. V., & Santabarbara, J.M. (1999). Analysis and modelling of time series of surface wind speed and direction. International journal of climatology, 19(2), 197-209.
[29].         Martin‐Vide, J., & Gomez, L. (1999). Regionalization of peninsular Spain based on the length of dry spells. International Journal of Climatology, 19(5), 537-555.
[30].         McKee, T.B., Doesken, N.J., & Kleist, J. (1993). The relationship of drought frequency and duration to time scales. In Proceedings of the 8th Conference on Applied Climatology (Vol. 17, No. 22, pp. 179-183). Boston, MA: American Meteorological Society.
[31].         Memarian, H., & Balasundram, S.K. (2012). Comparison between Multi-Layer Perceptron and Radial Basis Function Networks for Sediment Load Estimation in a Tropical Watershed. Journal of Water Resource & Protection, 4(10).
[32].         Memarian, H., Balasundram, S.K., & Tajbakhsh, M. (2013). An expert integrative approach for sediment load simulation in a tropical watershed. Journal of Integrative Environmental Sciences, 10(3-4), 161-178.
[33].         Metalka, R.L. (1997). Analysis of secular time series of climatological characteristics. Doctoral thesis. P.42. www.chmi.cz/poboc/HK/ok/PUBLIKACE/DISERT/Diser.htm
[34].         Morid, S., Smakhtin, V., & Bagherzadeh, K. (2007). Drought forecasting using artificial neural networks and time series of drought indices. International Journal of Climatology, 27(15), 2103-2111.
[35].         Negaresh, H., & Armesh, M. (2011). Using neural network for drought forecasting in Khash. Geographic Studies of Arid Regions, 6, 33-50, (in Farsi).
[36].         Poostizadeh, N., Mohamadvali Samani, J., & Koorepazan Dezfooli, A. (2008). Stream flow forecasting using Fuzzy system. Water Resources Research, 4(2), 23-34, (in Farsi).
[37].         Principe, J.C, Lefebvre, W.C., Lynn, G., Fancourt, C., Wooten, D. (2007). Neuro Solutions – documentation, the manual and on-line help. Version 5.05. Neuro Dimension, Inc.
[38].         Raziei, T., Daneshkar Arasteh, P., Akhtari, R., Saghafian, B. (2007). Investigation of meteorological droughts in the Sistan and Balouchestan province using the Standardized Precipitation Index and Markov chain model. Iran-Water Resource Research, 3(1), 25-35, (in Farsi).
[39].         Safdari, A. (2003). Quantitative analysis of intensity, duration and the extent of drought using precipitation data (Case study: Karoon basin).  MSc thesis, University of Tehran, (in Farsi).
[40].         Sedaghat kerdar, A., & Fatahi, E. (2008). The prediction indices of drought in Iran. Journal of Geography and Development, 11, 59-76, (in Farsi). 
[41].         Shirmohamadi, B., Moradi, H., Taei, M., & Moosavi, V. (2012). Comparison of artificial neural network with adaptive neuro-fuzzy inference system in drought forecasting. The 1st National Conference on Desert, Tehran, Iran, (in Farsi).
[42].         Tfwala, S.S., Wang, Y. M., Lin, Y.C. (2013). Prediction of Missing Flow Records Using Multilayer Perceptron and Coactive Neurofuzzy Inference System. The Scientific World Journal.
[43].         Wilson, D.R., & Martinez, T.R. (2003). The general inefficiency of batch training for gradient descent learning. Neural Networks, 16(10), 1429-1451.