Embed Size (px)
Citation preview
1394، پاییز و زمستان2، شماره 5 جلدپژوهشی خشک بوم -دو فصلنامه علمی
کاربرد سري هاي زمانی بارش و نمایه هاي آماري اقلیمی در پیش بینی خشکسالی به کمک شبکه
CANFIS )خراسان جنوبی - بیرجند: مطالعه موردي(
دانشگاه بیرجند ،گروه آمار، دانشکده علوم ریاضی و آمار دانشیار، ییرضا یدمج -1
دانشگاه بیرجند ،استادیار گروه مرتع و آبخیزداري، دانشکده منابع طبیعی و محیط زیست، یانمعمار يهاد -2
12/02/1393: دریافت
20/04/1394: پذیرش
چکیده
از اسـتفاده بـراي صحیحی ریزي برنامه تا کرد خواهد کمک ریزان برنامه به که مدیریتی است راهکارهاي از یکی عنوان به خشکسالی پیش بینی
هاي اصلی بحران خشکسالی در کشور تبدیل شده که این خراسان جنوبی بویژه در دهه اخیر به یکی از کانون. کنند و خاك فراهم آب محدود منابع
در این مطالعه با ترکیب . امر تاثیر بسزایی در کاهش تولید مواد غذایی، خطر گرسنگی، افت سطح آب زیرزمینی، تخریب خاك و اراضی داشته است
در CANFISفازي -ررسی کارآیی شبکه هاي عصبی، به بSPIهاي اقلیمی بزرگ مقیاس با میزان بارش و مقادیر پیشین شاخص خشکسالی سیگنال
منظور تعریف و پایش خشکسالی در گام زمانی ماهانـه اسـتفاده هب SPIاز شاخص . پیش بینی خشکسالی منطقه اقلیمی بیرجند پرداخته شده است
ها، الگوهـاي از بین شاخص. اب شدتخشاخص اقلیمی بزرگ مقیاس جهت پیش بینی خشکسالی ان 9در این تحقیق و با مرور منابع انجام شده . شد
NINO 1+2 ،NINO 3 ،MEI ،TSA ،AMO وNINO 3.4 به کمک روش رگرسیون گام به گام و بررسی ماتریس همبسـتگی، مـوثر بـر خشکسـالی
درصد از این 60باشد که می) 1970-2010(سال 41وره آماري طول د. ها بهره گرفته شد سازي از آن بیرجند تشخیص داده شدندکه در مدلشهر
الگـوریتم مـورد . درصد باقیمانده جهت آزمون شبکه مورد اسـتفاده قـرار گرفتنـد 25درصد جهت اعتبار سنجی متقابل و 15دوره جهت آموزش،
مدل 12ام، با توجه به نتایج حاصل از روش رگرسیون گام به گ. استفاده در آموزش شبکه، مومنتم و نوع تابع عضویت فازي، تابع گوسی انتخاب شد
مدل اول توسـط شـبکه 8متغیر، فقط 5هاي بیش از در اجراي مدل هاي با تعداد ورودي CANFISولی با توجه به محدودیت شبکه . استخراج شد
CANFIS هـاي هاي مختلف، شاخص در کلیه مدل نتایج آنالیز حساسیت شبکه نشان داد که تقریباً. سازي گردیدند شبیهNINO و بـارش بیشـترین
، شـاخص )بعنوان مدلی که کمترین میزان خطـا را در فرآینـد آمـوزش و آزمـون نشـان داد ( 4در مدل شماره . تاثیر را بر عملکرد شبکه داشته اند
NINO 1+2(t-5) پس از آن متغیرهاي بـارش، . ترین تاثیر را بر عملکرد شبکه داشت بیش 7/0با متوسط حساسیت NINO 1+2(t) وNINO 3(t-6)
بر اساس محاسبات آماري و . توانستند خروجی شبکه را بیش از همه تحت تاثیر تغییرات خود قرار دهند 28/0و 28/0، 59/0یب با حساسیت ترت هب
در . را ارائـه داد ENSOتري بـین خشکسـالی و هاي اقلیمی نتایج قابل قبول هاي ارزیابی شبکه مشخص شد که همبستگی با تاخیر شاخص شاخص
و ) مـاه تـاخیر 6بـا ( NINO 3و ، بـارش ماهانـه )با پنج ماه تاخیر و بدون تـاخیر ( NINO 1+2مجموع مدل چهارم با ترکیبی از پارامترهاي ورودي
اقلیمـی بینـی خشکسـالی در منطقـه ترین مدل جهـت پـیش عنوان مناسب هب) بینی شده بین مقادیر مشاهداتی و پیش( 903/0ضریب همبستگی
. ارائه شد CANFISبیرجند با استفاده از شبکه
.ENSO ؛CANFISشبکه ؛SPI ؛هاي اقلیمی سیگنال ؛پیش بینی خشکسالی: کلیدي گانواژ
مقدمه
خشکسالی وضعیتی از کمبود بارنـدگی و افـزایش دمـا
بـر . هـد ست که در هر وضعیت اقلیمی ممکن اسـت رخ د ا
تـوان فهمیـد در چـه زمـانی خالف سیل و بارندگی که می
خاتمـه پیـدا کـرده و در چـه شـده، در چـه زمـانی شروع
و مکـانی خشکسـالی اي بوده است، توصیف زمانی محدوده
.]1و 3[بسیار مشکل است
واقع به توجه با کشور در خشکسالی اثر و نقش مطالعه
خشـک نیمـه و خشـک هوایی و آب قلمرو در ایران شدن
اهمیـت درجـه بـه توجـه با ،بنابراین .ضروري است جهانی
درنتیجه و رسانی اطالع سطوح ،آن شدت و نوع خشکسالی،
.]17[بود خواهد متفاوت آن مدیریت
1394، پاییز و زمستان 2، شماره 5پژوهشی خشک بوم جلد - دو فصلنامه علمی 52
راهکارهـاي از یکـی عنـوان بـه خشکسـالی بینی پیش
از منـابع استفاده براي صحیح برنامه ریزيجهت مدیریتی
بـه پـیش بینـی خشکسـالی همچنـین .اسـت آب محدود
کشـت تـاریخ در تغییـر بـا خواهـدکرد تـا کمک کشاوزان
خسـارات خشـکی بـه ارقام مقـاوم از استفاده و محصوالت
.]4[برسانند حداقل به را پدیده این از ناشی
ــی از ــه یک ــر ب ــه اخی ــویژه در ده ــوبی ب ــان جن خراس
اصلی بحران خشکسالی در کشور تبـدیل شـده هاي کانون
چشـمه و 44تـا کنـون 1384کـه از سـال طوري هب. است
وري خـارج شـده ز چرخـه بهـره رشته قنات اسـتان ا 113
حلقه چاه بر اثر خشکسالی در اسـتان 245همچنین . است
تـا 1389هـاي خشکسـالی طـی سـال .خشک شده اسـت
میلیارد ریال به بخش کشـاورزي اسـتان 5/1بالغ بر 1390
بــر اســاس شــاخص دومــارتن . خســارت وارد کــرده اســت
سـال 50مشخص گردیده که در دشت بیرجنـد در مـدت
ند خشکی ادامه داشته که این امر تاثیر بسزایی در اخیر، رو
کاهش تولید مواد غذایی، افت سطح آب زیرزمینی، تخریب
دشـت بیرجنـد از سـال . ]2[خاك و اراضی داشـته اسـت
با افت سطح سفره آب زیرزمینی روبرو شـده و ایـن 1360
روند تا کنون رو به تشـدید بـوده، بطوریکـه متوسـط افـت
به بـیش 1360-1378هاي سانتیمتر در سال 21سفره از
افـزایش بعلـت به بعد 1378هاي سانتیمتر در سال 60از
. برداشت و طـوالنی شـدن دوره خشکسـالی رسـیده اسـت
بـه بعـد در حـدود 1381کسري آبخوان دشت نیز از سال
. ]24و 2[میلیون متر مکعب برآورد شده است 6/13
ــات ــادي مطالع ــه در زی ــیش زمین ــی پ ــی و بین اقلیم
ــا خشکســالی احتمــالی و (کمــی هــايروش از اســتفاده ب
] 29[1وایـد . شـده اسـت انجـام جهـان سطح در )تصادفی
مارکوف زنجیره از استفاده با اسپانیا را خشکسالی هايدوره
بنـدي ناحیـه ] 13[2بـاري و کـارلتون . اسـت نموده بررسی
بینـی پـیش و هـا ترسـالی و ها خشکسالی و بررسی اقلیمی
شـاخص ماننـد مختلـف هـاي از روش استفاده با را اقلیمی
متحــرك، میــانگین مــارکوف، زنجیــره پــالمر، خشکســالی
بـر ] 21[3گـانگولی .اسـت نمـوده بررسی آریما اتورگرسیو و
مطالعـه بـنگالدش واوتـارپرادش گنگ حوضه داخلی روي
1.Vide 2. Barry and Carleton 3. Gangully
از اســتفاده بــا هشــداردهنده سیســتم یــک و نمــوده
آریمـا مانند آماري هاي روشو دور از سنجش هاي سیستم
. اسـت کـرده طراحـی خشکسـالی و سیل بینی پیش جهت
و انسـو دور از ارتباط و زمین کره اقلیم نوسان] 33[4متلکا
ــاخص ــی اي دوره ش ــاي و کواس ــطح دم ــه در آب س ناحی
اگرچـه در . استوایی اقیانوس آرام را بررسـی نمـوده اسـت
هایی از مدلبررسی خشکسالی و تغییرات اقلیمی، استفاده
اي طـوالنی هاي تصادفی و احتماالتی سابقه بر اساس روش
هـا روابـط بـین متغیرهـا را دارد، اما بسیاري از ایـن روش
هـاي غیرخطـی خطی فرض نموده و در مدل کردن پدیـده
نی هیـدرولوژیکی بـا شکسـت مواجـه هاي زمـا مانند سري
هـاي از این رو پژوهشگران بـراي سـاختن مـدل . شوند می
هـاي مـدل کننـده بینی معتبر، به استفاده از تکنیـک شپی
-هـاي فـازي و مـدل هـاي فـازي غیر خطی نظیر سیستم
هاي اخیر بـا در سال. ]10و 6 ،19[ عصبی روي آورده اند
هاي بزرگ مقیاس اقلیمی، تالش محققین شناخت شاخص
هـا و تغییـرات روابطی بـین ایـن شـاخص تعریف به سمت
سوق پیدا ها یش بینی خشکسالیدر پ جهت استفادهبارش
. ]1[ نموده است
در تحقیقی بـا اسـتفاده از ] 36[زاده و همکاران پوستی
6سیستم استنتاج فازي و بر اساس میزان متوسط دبـی از
ماه گذشته، مقدار متوسط دما در یک ماه قبـل و مجمـوع
بینـی دبـی فـروردین مـاه در اه قبل، به پـیش م 4بارش از
هـاي تجزیـه و تحلیـل مـدل . بختیاري پرداختنـد رودخانه
مشابه با استفاده از روش رگرسیون چنـد متغیـره، نشـانگر
صداقت کـردار و . فازي بود نتایج مناسبتر سیستم استنتاج
هاي هواشناسـی و بـارش ارتباط بین سیگنال] 40[فتاحی
را براي نواحی مختلف ایران مورد بررسی قـرار دادنـد و در
پیش بینی را با استفاده از شـبکه عصـبی اي هنهایت مدل
در بررسی ها نشان داد کـه تقریبـاً . مصنوعی توسعه دادند
پراهمیـت تـرین سـیگنال در ENSOتمام نـواحی کشـور
ــ ــارش ای ــدب ــی باش ــاران . ران م ــا و همک ــرخ نی از ]19[ف
ـ سیگنال بینـی منظـور پـیش ههاي بزرگ مقیاس اقلیمـی ب
هـا نشـان بررسـی . نمودندخشکسالی استان تهران استفاده
SSTو SLPهـاي داد که ارتبـاط مناسـبی بـین سـیگنال
SPIشهریور ماه در نقاطی از منطقه با شاخص خشکسـالی
4. Metalka
53مجید رضایی و هادي معماریان
-، به بررسی کارآیی شبکه هاي عصـبی SPIمقادیر پیشین
CANFIS بینی خشکسـالی منطقـه اقلیمـی در پیش
. پرداخته شود
ها
منطقه مطالعاتی
در شهرستان بیرجنـد، مرکـز اسـتان خراسـان جنـوبی
سـاله 40بـا توجـه بـه آمـار . شرق کشور واقع شده اسـت
ــدگی ــط بارن ــد، متوس ــی بیرجن ــتگاه هواشناس 170ایس
درجه سـانتیگراد، میـانگین C°5/16میلیمتر، متوسط دما
میلیمتـر 2250و میانگین تبخیر از تشتک %
، ایـن بنـدي اقلیمـی آمبـرژه طبقه بر اساس.
. ]12[ آیـد به شـمار مـی خشک و سرد جزء نواحی
در دوره ي بارندگی ایستگاه سینوپتیک بیرجند کـه
که طـول دوره عالوه بر این دارد،قرار 2010-
تـرین ، به لحاظ آماري نیز با کماستآماري مناسبی را دارا
اطالعات آماري سري زمانی بارندگی در . است
. اسـت ارائـه شـده 1در جـدول نه و ساالنه دو مقیاس ماها
ــتگاه 3و 2 ــارش ایس ــته ب ــري پیوس ــز س نی
مقیاس ساالنه و ماهانه سینوپتیک بیرجند را بترتیب در دو
.دهند
مورد مطالعهنقشه محدوده - 1شکل
یخشکسال ینیب یشدر پ یمیاقل يآمار يها یهبارش و نما
-هـاي عصـبی سپس از شبکه. در سال آبی بعد وجود دارد
هاي عصـبی مصـنوعی بمنظـور پـیش بینـی
از] 9[و همکــاران 1باکــانلی. خشکســالی اســتفاده گردیــد
بمنظـور ) ANFIS(عصبی تطبیقی -سیستم استنتاج فازي
. بینی خشکسـالی در کشـور ترکیـه اسـتفاده نمودنـد
، 1هـاي زمـانی با مقیاس SPIینی مختلفی براي
نتایج نشـان . ماهه مورد بررسی قرار گرفتند
بهبـود SPIداد که ترکیب مقادیر پیشین بارش و شـاخص
]34[مریـد و همکـاران . را بهمـراه دارد
هـاي بینی خشکسـالی را بـا اسـتفاده از شـبکه
هـا دو آن. عصبی مصنوعی در استان تهران بررسی نمودنـد
بینی شـونده را بعنوان متغیرهاي پیش
ــور، بارنــدگی و و ترکیبــات مختلفــی از شــاخص هــاي مزب
ماقبـل را NAOو SOIاقلیمی هاي بزرگ مقیاس
نتـایج نشـان داد . نمودندگویی کننده استفاده
کـه شـامل مقـدار ،مدل هـایی هسـتند
.شاخص خشکسالی ماه مشابه در سال گذشته می شدند
ــاکنون اســتفاده از شــبکه ــوم CANFIS2هــاي ت در عل
محیطی بیشتر متمرکـز بـر تخمـین تبخیـر و تعـرق و یـا
از شبکه ]7[3بعنوان مثال آیتک. تخمین سیالب بوده است
.در کالیفرنیـا اسـتفاده کـرد EToبراي تخمین
مدل توسعه داده شده با این شـبکه در مقایسـه بـا سـایر
EToها برتر بوده و آن را بعنوان یـک مـدل تخمـین
بمنظــور CANFISاز ،در کــاربردي دیگــر
توانسـته این شـبکه .تخمین منطقه اي سیالب استفاده شد
هـاي بهبـود عملکـرد مـدل باعـث است بطور معنـی داري
مطالعــات . ]8[ گــردد منطقــه اي آنــالیز فراوانــی ســیالب
هــاي عصــبی فــازي بــا مختلفــی نیــز بــه مقایســه شــبکه
بینـی خشکسـالی و هـاي عصـبی معمـولی در پـیش
ها به آن بیشتراند که در پارامترهاي هیدرولوژیکی پرداخته
فـازي -هـاي عصـبی ارجحیت و عملکرد مناسب تـر شـبکه
، 16[هاي عصبی معمولی اشاره شده اسـت
ـ بر ایـن اسـت نیز سعی وسـیله هکـه ب
هاي اقلیمی بزرگ مقیاس با میزان بارش و
1. Bacanli 2. Co-Active Neurofuzzy Inference System3. Aytek
مقادیر پیشین
CANFISفازي
پرداخته شودبیرجند
ها مواد و روش
منطقه مطالعاتی
شهرستان بیرجنـد، مرکـز اسـتان خراسـان جنـوبی
شرق کشور واقع شده اسـت
ــدگی ــط بارن ــد، متوس ــی بیرجن ــتگاه هواشناس ایس
میلیمتر، متوسط دما
%37نم نسبی
. استدر سال
جزء نواحی منطقه
ي بارندگی ایستگاه سینوپتیک بیرجند کـه هاداده
-1970آماري
آماري مناسبی را دارا
استنواقص روبرو
دو مقیاس ماها
ــکل ــاي ش 2 ه
سینوپتیک بیرجند را بترتیب در دو
دهند نشان می
شکل
یزمان يها يکاربرد سر
در سال آبی بعد وجود دارد
هاي عصـبی مصـنوعی بمنظـور پـیش بینـی فازي و شبکه
خشکســالی اســتفاده گردیــد
سیستم استنتاج فازي
بینی خشکسـالی در کشـور ترکیـه اسـتفاده نمودنـد پیش
ینی مختلفی براي هاي مدل
ماهه مورد بررسی قرار گرفتند 12و 9، 6، 3
داد که ترکیب مقادیر پیشین بارش و شـاخص
را بهمـراه دارد هـا عملکـرد مـدل
بینی خشکسـالی را بـا اسـتفاده از شـبکه امکان پیش
عصبی مصنوعی در استان تهران بررسی نمودنـد
را بعنوان متغیرهاي پیش SPIو EDIشاخص
و ترکیبــات مختلفــی از شــاخص
هاي بزرگ مقیاس سیگنال
گویی کننده استفاده بعنوان پیش
،مدل هـایی هسـتند هاکه بهترین مدل
شاخص خشکسالی ماه مشابه در سال گذشته می شدند
ــاکنون اســتفاده از شــبکه ت
محیطی بیشتر متمرکـز بـر تخمـین تبخیـر و تعـرق و یـا
تخمین سیالب بوده است
CANFIS براي تخمین
مدل توسعه داده شده با این شـبکه در مقایسـه بـا سـایر
ها برتر بوده و آن را بعنوان یـک مـدل تخمـین روش
در کــاربردي دیگــر. نهاد کــردپیشــ
تخمین منطقه اي سیالب استفاده شد
است بطور معنـی داري
ــالیز فراوانــی ســیالب منطقــه اي آن
مختلفــی نیــز بــه مقایســه شــبکه
هـاي عصـبی معمـولی در پـیش شبکه
پارامترهاي هیدرولوژیکی پرداخته
ارجحیت و عملکرد مناسب تـر شـبکه
هاي عصبی معمولی اشاره شده اسـت نسبت به شبکه
].41و 25
نیز سعی پژوهشاین در
هاي اقلیمی بزرگ مقیاس با میزان بارش و ترکیب سیگنال
Active Neurofuzzy Inference System
1394، پاییز و زمستان 2، شماره 5پژوهشی خشک بوم جلد - دو فصلنامه علمی 54
اطالعات آماري سري زمانی بارش در مقیاس زمانی ماهانه و ساالنه -1جدول
پارامتر آماري ماهانه ساالنه
)mm(میانگین 92/13 07/167 )mm(میانه 45/3 70/169
نما 00/0 - )mm(انحراف معیار 12/20 92/52 درجه اوج 29/3 -07/0 چولگی 76/1 15/0 )mm(دامنه 10/127 00/228
)mm(حداقل 00/0 70/64 )mm(حداکثر 10/127 70/292
نمودار بارندگی ماهانه و میانگین ایستگاه سینوپتیک بیرجند -3شکل نمودار بارندگی ساالنه و میانگین ایستگاه سینوپتیک بیرجند - 2شکل
)SPI(شاخص بارش استاندارد
کـی توسط مک 1993در سال بارش استاندارد شاخص
هـا به منظور تعریف و پـایش خشکسـالی ]29[ و همکاران
ویژگی این شاخص اینست که به کارشناس اجازه . ارائه شد
هـاي نـادر را در یـک هـا و ترسـالی می دهد تا خشکسالی
ماهه 6ماهه، 3ماهه، 1 ،بعنوان مثال( معینمقیاس زمانی
که داراي آمـار بارنـدگی جغرافیایی براي هر نقطه )و غیره
از نظر ریاضی شاخص . مناسبی باشد، تعیین و بررسی کند
SPI یــک هــا در بــر مبنــاي احتمــاالت تجمعــی بارنــدگی
دریافـت کـه ) ]37[به نقل از (تام . باشد ایستگاه استوار می
هـاي کلیمـاتولوژیکی توزیع گاما براي سریهاي زمانی بارش
کـی و همکـاران از اینرو مک. رازش را داشته استبهترین ب
از . را بر مبناي توزیـع گامـا قـرار دادنـد SPIطرح شاخص
قابل تعریـف نمـی باشـد و x=0آنجایی که تابع گاما براي
ــادي ــداد زی ــده تع ــواره دربرگیرن ــدگی هم ــاي بارن داده ه
باشد، احتمال تجمعی بارندگی مشاهده با بارندگی صفر می
یـک ] 30[کـی و همکـاران مک. ]38[آید بایستی بدست
روش تحلیلی را به همـراه کـد نـرم افـزاري بـراي تعیـین
:احتمال تجمعی بکار بردند
�(�) = � + (1 − �)�(�) )1(
برابر است با احتمال مقادیر بارندگی صفر و q:آنکه در
G(x) احتمال تجمعـی بـارش بـر اسـاس توزیـع گاماسـت
بـه مقـادیر تصـادفی ) Hx(احتمال تجمعـی سپس .]38[
انگین صـفر و واریـانس یـک تبـدیل استاندارد نرمال با میـ
و 9 ،1[باشـد مـی SPIشود که این متغیر همان مقـدار می
بترتیـب نشـان SPIمقادیر مثبـت و منفـی شـاخص .]38
.باشد یدهنده شرایط تر و خشک م
هاي بزرگ مقیاس اقلیمی شاخص
دور، مـنعکس کننـده تغییــرات در الگوهـاي ارتبـاط از
مقیاس وسیع در امواج اتمسفري و موقعیت رودبادها بـوده
و بر درجه حرارت، بارش، مسـیر طوفـان هـا و موقعیـت و
. ]1[گذارنـد شدت رودبادها بر روي مناطق وسیع تاثیر می
و اقیانوسـی ایـاالت متحـده سازمان ملی مطالعـات جـوي
هـا و دما و سـطح اقیـانوس با برآورد اختالف فشار 1آمریکا
هایی را ارائه کرده است که جهت تحلیل تحـوالت شاخص
در این تحقیق و .]35[کمک گرفت ها نتوان از آ جوي می
ــابع ــا مــرور من شــاخص اقلیمــی جهــت 9انجــام شــده ب
.بینی خشکسالی انتخاب شد پیش
مربوط بـه مقـادیر حـدي دمـاي NINO 1+2شاخص
درجه جنوبی و 10تا 0بوده و محدوده آرام سطح اقیانوس
1.National Oceanic and Atmospheric Administration (NOAA)
0
50
100
150
200
250
300
350
1970 1974 1978 1982 1986 1990 1994 1998 2002 2006 2010
شار
ب)
mm
(
سال
)میلیمتر(بارش ساالنه
)میلیمتر(میانگین بارش ساالنه
0
20
40
60
80
100
120
140
Jan
-70
Jan
-71
Jan
-72
Jan
-73
Jan
-74
Jan
-75
Jan
-76
Jan
-77
Jan
-78
Jan
-79
Jan
-80
Jan
-81
Jan
-82
Jan
-83
Jan
-84
Jan
-85
Jan
-86
Jan
-87
Jan
-88
Jan
-89
Jan
-90
Jan
-91
Jan
-92
Jan
-93
Jan
-94
Jan
-95
Jan
-96
Jan
-97
Jan
-98
Jan
-99
Jan
-00
Jan
-01
Jan
-02
Jan
-03
Jan
-04
Jan
-05
Jan
-06
Jan
-07
Jan
-08
Jan
-09
Jan
-10
شار
ب)
mm
(
سال
)میلیمتر(بارش ماهانه
)میلیمتر(میانگین بارش ماهانه
55مجید رضایی و هادي معماریان یخشکسال ینیب یشدر پ یمیاقل يآمار يها یهبارش و نما یزمان يها يکاربرد سر
NINO3شـاخص . گیرد درجه غربی را در بر می 90تا 80
5مربوط به دمـاي سـطح اقیـانوس آرام بـوده و محـدوده
درجه غربـی 150تا 90درجه جنوبی و 5درجه شمالی تا
مربـوط بـه دمـاي NINO3.4شـاخص . را در بر می گیـرد
5درجـه شـمالی تـا 5سطح اقیانوس آرام بوده و محدوده
. گیرد رجه غربی را در بر مید 170تا 120درجه جنوبی و
اطلس بوده و دماي سطح اقیانوس مربوط به TSA1شاخص
درجـه شـرقی تـا 10درجه جنوبی و 20محدوده استوا تا
یـا SW MRR2شاخص .درجه غربی را شامل می شود 30
شاخص بارش منطقه مونسون که بر اساس میانگین بـارش
. ماهیانه ساحل بـراي منطقـه آریزونـا و نیومکزیکـو اسـت
کـه بـر اسـاس یا شاخص نوسـانات جنـوبی SOI3شاخص
کـه NAO4شـاخص . فشار سطح آب محاسبه مـی گـردد
و تغییـرات اطلس شـمالی اقیانوس مرتبط با نوسانات فشار
یا شاخص چند MEI5شاخص . شدت و مکان رودبادهاست
که مرتبط با پارامترهایی مثل فشار سـطح ENSOمتغیره
شـاخص . آب، سرعت باد، دماي سطح آب و غیره می باشد
AMO6 اي اقیـانوس اطلـس یا شاخص نوسانات چند دهـه
.که مرتبط با نوسانات دمایی اقیانوس اطلس شمالی اسـت
آزمایشـگاه هـا در وبسـایت اطالعات تفصیلی ایـن شـاخص
متعلق به اداره ملی علـوم جـوي و 7تحقیقاتی سامانه زمین
از بـین ایـن . اقیانوسی ایاالت متحده آمریکـا آمـده اسـت
، NINO 1+2 ،NINO 3 ،MEI ،TSAهـا الگوهـاي شاخص
AMO وNINO3.4 به کمک روش رگرسیون گام به گام و
بررســی مــاتریس همبســتگی، مــوثر بــر خشکســالی شــهر
ها بهره سازي از آن ند که در مدلداده شدبیرجند تشخیص
.گرفته شد
CANFISعصبی -شبکه فازي
بـا تطبیقـی عصـبی شـبکه تلفیـق حاصل ساختار این
ـ تواند می CANFIS. )4شکل ( فازي است قوانین عنـوان هب
زننده کلی براي توابع غیرخطی مورد اسـتفاده قـرار تخمین
هـاي برتري ایـن شـبکه نسـبت بـه سیسـتم .]23[ بگیرد
1.Tropical Southern Atlantic Index 2.SW Monsoon Region Rainfall 3.Southern Oscillation Index 4.North Atlantic Oscillation 5.Multivariate ENSO Index 6.Atlantic Multidecadal Oscillation 7.Earth System Research Laboratory
هـاي فـازي را بـا شـبکه معمول فازي اینسـت کـه ورودي
مادوالر عصـبی ادغـام کـرده تـا بتوانـد تخمینـی سـریع و
کـه توانـایی ضمن این .صحیح از توابع پیچیده داشته باشد
هـا را نیـز درج چندین خروجی و محاسبات منطبق بـر آن
هاي عضـویت فـازي، در واقع با تسهیم ارزش. باشد دارا می
اي سـاخته هـا بگونـه بکهن فـازي در ایـن نـوع از شـ قوانی
هـا را نیـز در همبستگی بین خروجـی شوند که بتوانند می
سازي لحاظ کرده و جهـت تسـریع در یـافتن جـواب شبیه
ــد ــتفاده کنن ــلی . ]42و 22[صــحیح از آن اس ــه اص مولف
CANFIS یک نورون فازي است کـه تـابع عضـویت را بـر
دو نوع از توابع عضویت بطور . کند ها اعمال می روي ورودي
و تـابع 8تـابع بـل : گیرنـد معمول مـورد اسـتفاده قـرار مـی
این شـبکه همچنـین داراي یـک آکسـون نرمـال . 9گوسی
امنـه بـین صـفر تـا یـک کننده است که خروجـی را در د
دومین مولفه اصـلی ایـن سـاختار یـک . کند استاندارد می
هـا وي وروديشبکه مادوالر است که قوانین تـابعی را بـر ر
هاي مادوالر منطبق اسـت بـر تعداد شبکه. نماید اعمال می
هاي شبکه و تعداد عناصر پردازش کننده در تعداد خروجی
. هـر شــبکه نیـز منطبــق بـر تعــداد توابـع عضــویت اســت
CANFIS کننده اسـت همچنین داراي یک آکسون ترکیب
هـاي هاي توابـع عضـویت را بـر روي خروجـی که خروجی
هـاي ترکیـب خروجی آخردر . کندمادوالر اعمال میشبکه
شده بدرون الیه خروجی نهایی هدایت شده و خطا بسمت
هـر . هاي مادوالر پس انتشار می یابدتوابع عضویت و شبکه
گره در الیه اول رتبه عضویتی است از یک مجموعه فـازي
)A1, A2, B1, B2 (کننده درجه عضـویت متغیـر و تعیین
هـاي مجموعـه . هاي فازي اسـت از مجموعه ورودي به یکی
الیـه دوم . شـوند ازي بوسیله توابـع عضـویت تعریـف مـی ف
هــاي دریافــت کننــده ورودي اســت بشــکل ضــرب جفــت
مولفـه . الیه سوم داراي دو مولفه است. خروجی از الیه اول
هـا باالیی اعمال کننده توابع عضویت بر هر یـک از ورودي
ی بیانی است از شبکه مادوالر که مولفه پایین است در حالی
الیـه . کند ها را محاسبه میکه براي هر خروجی جمع وزن
این مطالعه در. کند رم خروجی نهایی شبکه را تولید میچها
.]7[ بهره گرفته شده است10از ساختار فازي سوگنو
8.Bell 9. Gaussian 10.Sugeno
ــابع ــه، ت ــن مطالع ــتفاده در ای ــورد اس ــال م ــابع انتق ت
باشد که خروجـی ایـن تـابع در می) لجستیک
:شود صورت زیر تعریف می هدامنه صفر تا یک بوده و ب
∅(��) = (1 + ����)��
جمع وزنـی wiام و iخروجی نورون yiکه در این تابع
اي بـا اد شـبکه جهت ایج]. 32[هاي ورودي است
و 3بهترین درجه از تعمیم یافتگی از معیار اطالعاتی آکایی
ایجاد تعادل AICمعیار . استفاده شد 4طول توصیف حداقل
MDLمعیـار . بین اندازه و عملکرد شبکه را بر عهـده دارد
و سطح تعمیم یافتگی مـدل را دارد AICکارکردي مشابه
.
، دو نـوع کلـی از توابـع NeuroSolutionsدر نرم افزار
تابع بـل . 6و تابع گوسی 5تابع بل: عضویت فازي وجود دارد
بـه داشـتن سـه پـارامتر آزاد نسبت به تابع گوسی با توجه
جهت تصحیح در مقابل دو پـارامتر تـابع گوسـی، قابلیـت
بنابراین در این مطالعه نیز از . ]37[تري دارد
بـا توجـه بـه . که اسـتفاده شـد این تابع در یـادگیري شـب
هـاي ورودي بـه و اندازه داده ]37[هاي انجام شده
هاي اجـرا شـده، از سـه مدل همهشبکه جهت آموزش، در
امـا در . تابع عضویت فازي براي هر ورودي بهره گرفته شد
نهــایی ) مــدل(نهایــت و بمنظــور ارتقــاي عملکــرد شــبکه
تابع عضویت فازي جهت آموزش بهترین 5انتخاب شده، از
. شبکه استفاده گردید
3.Akaike’s information criterion (AIC) 4.Minimum Description Length (MDL) 5.Bell-shaped curve 6. Gaussian-shaped curve
1394، پاییز و زمستان 2، شماره 5پژوهشی خشک بوم جلد
]CANFIS]7شبکه - 4شکل
آموزش شبکه مبتنی بر روش تصحیح خطاست و مشخص
در این روش . بودن پاسخ مطلوب از الزامات این روش است
ei شود بصورت زیر تعریف می :
��(�) = ��(�) − ��(�)
ام nام و تکرار iپاسخ سیستم در نورون
با تکیه بر تئوري آموزشی . پاسخ مطلوب است
، هر وزن در شبکه در تکرار ]37و
:شود محاسبه می بصورت زیر 3رابطه
���(� + 1) = ���(�) + ���(�)��
+� ����(�) − ���(� − 1)�
در ei(n)صـورت مسـتقیم از هب �)��
ـ آید و یا این نورون خروجی بدست می صـورت جمـع هکه ب
ثابـت . هاي داخلی محاسبه می گرددطاهاي نورون
ایـن روش کـه بـه . نـرخ گشـتاور اسـت
الگوریتم پس انتشار خطا معروف اسـت، بـر روش مـومنتم
سوار شده و حساسیت تابع هزینه را با در نظر گـرفتن هـر
که محاســبه کــرده و هــر وزن را متناســب بــا
در ایـن مطالعـه از . ]32[نماید می به هنگام
اسـتفاده 2بجـاي آمـوزش یکجـا 1تکنیک آموزش افزایشی
توانـایی آموزش افزایشی سرعت بیشتري داشـته و
در ایـن .]43[هـاي محلـی دارد بیشتري در فرار از حداقل
مطالعه، با توجه آزمون و خطاهاي انجام شده، اندازه گام و
. انتخاب شد 7/0و 1یب برابر با
1.Online learning 2. Batch learning
ــابع ــه، ت ــن مطالع ــتفاده در ای ــورد اس ــال م ــابع انتق ت
لجستیک(سیگموئید
دامنه صفر تا یک بوده و ب
)4(
که در این تابع
هاي ورودي است سیناپس
بهترین درجه از تعمیم یافتگی از معیار اطالعاتی آکایی
طول توصیف حداقل
بین اندازه و عملکرد شبکه را بر عهـده دارد
کارکردي مشابه
. کندتعیین می
در نرم افزار
عضویت فازي وجود دارد
نسبت به تابع گوسی با توجه
جهت تصحیح در مقابل دو پـارامتر تـابع گوسـی، قابلیـت
تري دارد انعطاف بیش
این تابع در یـادگیري شـب
هاي انجام شده بررسی
شبکه جهت آموزش، در
تابع عضویت فازي براي هر ورودي بهره گرفته شد
نهایــت و بمنظــور ارتقــاي عملکــرد شــبکه
انتخاب شده، از
شبکه استفاده گردید
-دو فصلنامه علمی 56
آموزش شبکه مبتنی بر روش تصحیح خطاست و مشخص
بودن پاسخ مطلوب از الزامات این روش است
(n)خطاي لحظه اي
)2(
پاسخ سیستم در نورون yi(n):آنکه در
پاسخ مطلوب است di(n)و
11[کاهش گرادیان
n+1 رابطه با استفاده از
)3(
( ) �(�)
(�)خطاي محلی یا
نورون خروجی بدست می
طاهاي نورونوزنی خ
η اندازه گـام وα نـرخ گشـتاور اسـت
الگوریتم پس انتشار خطا معروف اسـت، بـر روش مـومنتم
سوار شده و حساسیت تابع هزینه را با در نظر گـرفتن هـر
که محاســبه کــرده و هــر وزن را متناســب بــا وزن در شــب
به هنگامحساسیت آن
تکنیک آموزش افزایشی
آموزش افزایشی سرعت بیشتري داشـته و .گردید
بیشتري در فرار از حداقل
مطالعه، با توجه آزمون و خطاهاي انجام شده، اندازه گام و
یب برابر با نرخ گشتاور بترت
57مجید رضایی و هادي معماریان یخشکسال ینیب یشدر پ یمیاقل يآمار يها یهبارش و نما یزمان يها يکاربرد سر
) 1970-2010(سـال 41طول دوره آماري در مجموع
) سـال 25معـادل (ن دوره درصـد از ایـ 60می باشد کـه
25درصد جهت اعتبار سنجی متقابل و 15جهت آموزش،
جهـت آزمـون شـبکه ) سـال 10معـادل (درصد باقیمانده
.شداستفاده
معیارهاي آزمون و اعتبار سنجی شبکه
هـاي اعتبـار سـنجی زیـر در در این مطالعـه از سـنجه
:آزمون شبکه استفاده گردید
��� =∑ ∑ (��� − ���)��
�������
��
)5(
���� =�����
∑� ∑ ���
� ��∑ ������� �
�����
�����
)6(
� =
∑ (����̅)(�����)�
�
�∑ (�����)�
�
��
∑ (����̅)��
�
)7(
Nتعداد خروجی عناصر پـردازش شـده، P:ها که در آن
خروجی شبکه براي yijها در مجموعه داده ها، تعداد نمونه
خروجـی مـورد نظـر j ،dijدر عنصر پردازش شـده iنمونه
MSE. باشـد مـی jدر عنصـر پـردازش شـده iبراي نمونه
ه و مقدار محاسـبه شـده را اختالف بین مقدار مشاهده شد
بــاالترین صــحت MSEکمتــرین مقــدار . دهــد نشــان مــی
نشانگر میـزان بـازده rهمچنین . کند پیشگویی را بیان می
خروجـی diخروجـی شـبکه، xiباشد کـه در آن شبکه می
میانگین خروجـی �dمیانگین خروجی شبکه و �xمورد نظر،
بهترین جواب براي مدل هنگامی ایجاد . باشد مورد نظر می
ترتیب به یک و صفر میل کنند هب MSEو rخواهد شد که
]31[ .
حساسیت سنجی شبکه
تحلیــل حساســیت شــبکه بــه تغییــرات در متغیرهــاي
ورودي، جهت تحلیـل سـناریوهاي مختلـف بـا اسـتفاده از
:انجام شدصورت زیر هب 8معادله
)8 (����������� = ��
�∑ (�� − �)��
���
i ،µدر گـام سـازي شبیهپارامتر xi ،که در این معادله
Nدر طی آنالیز حساسـیت، و سازي شبیهمیانگین پارامتر
و ] 32[هاي تغییر بر اساس انحراف معیـار اسـت تعداد گام
]37[ .
بینی هاي پیش مدل
در مقیاس یـک ماهـه SPI،بینی خشکسالی جهت پیش
عنـوان پـارامتر هاري محاسبه و بـ هاي دوره آمدر تمام سال
هـا در نظـر گرفتـه بینی شونده یا همان خروجی مدل پیش
بارنـدگی، (جهت تعیین بهتـرین ترکیـب از پارامترهـا .شد
) هاي بزرگ مقیاس اقلیمـی و شاخص SPIشاخص پیشین
بـر اسـاس (از نتایج حاصل از محاسبه ماتریس همبستگی
و رگرسیون گام به ) 2 جدول) (ضریب همبستگی پیرسون
-t-1 ،t-2 ،t-3 ،tهـاي اندیس. استفاده شد) 3 جدول( 1گام
4 ،t-5 وt-6 ــده ارزش پارامتر ــان دهن ــب نش ــابترتی در ه
زمانی یک ماه، دو ماه، سه ماه، چهار ماه، پنج مـاه هاي گام
.باشند و شش ماه قبل می
با توجه به نتایج حاصل از روش رگرسیون گام به گـام،
ولی با توجه بـه محـدودیت شـبکه . مدل استخراج شد 12
CANFIS بیش از هايهاي با تعداد وروديدر اجراي مدل
شـبیه CANFISمدل اول توسط شـبکه 8متغیر، فقط 5
این محدودیت ناشی از وجود رابطه نمایی . سازي گردیدند
هــا و تعــداد عناصــر پردازشــی داخلــی بــین تعــداد ورودي
هـاي قـوي که نیازمند وجـود سیسـتم باشد می) هانورون(
ـ . اي اسـت پردازشی رایانـه عنـوان مثـال جهـت سـاخت هب
نـورون داخلـی 19683متغیر ورودي نیاز به 9ا اي ب شبکه
ان اجـراي مـدل را است که این تعداد عنصر پردازشـی زمـ
حال اگر تعداد توابع عضویت فازي . دهند بسیار افزایش می
نیز افزایش یابند، زمان اجراي مدل بسـیار بیشـتر خواهـد
شـود نیـز طور که در جـدول مشـاهده مـی البته همان. بود
از مدل ششـم ها نتیجه افزایش تعداد وروديدر Fتغییرات
دهنده این نشانکه این خود . یابد به بعد بشدت کاهش می
است که کارآمد ترین پارامترها در افـزایش عملکـرد مـدل
ــ ــد از هب ــب عبارتن NINO 1+2(t-5) ،R(t) ،NINOترتی
1+2(t) ،NINO 3(t-6) وMEI(t).
1.Stepwise regression
1394، پاییز و زمستان 2، شماره 5پژوهشی خشک بوم جلد - دو فصلنامه علمی 58
و سایر متغیرها SPI(t)ضرایب همبستگی بین -2 جدول
Sig. (2-tailed) ضریب همبستگی متغیر Sig. (2-tailed) ضریب همبستگی متغیر
SPI(t-1) .354** .000 NINO 3.4(t) .091* .043
SPI(t-2) .132** .003 NINO 3.4(t-1) .196** .000
SPI(t-3) -.050 .268 NINO 3.4(t-2) .296** .000
R(t) .188** .000 NINO 3.4(t-3) .338** .000
R(t-1) -.252** .000 NINO 3.4(t-4) .269** .000
R(t-2) -.187** .000 NINO 3.4(t-5) .117** .010
R(t-3) -.001 .977 NINO 3.4(t-6) -.034 .448
AMO(t) .041 .365 NINO 3(t) -.124** .006
AMO(t-1) .054 .231 NINO 3(t-1) .040 .377
AMO(t-2) .036 .431 NINO 3(t-2) .241** .000
AMO(t-3) -.014 .751 NINO 3(t-3) .401** .000
MEI(t) .133** .003 NINO 3(t-4) .441** .000
MEI(t-1) .140** .002 NINO 3(t-5) .352** .000
MEI(t-2) .147** .001 NINO 3(t-6) .173** .000
MEI(t-3) .134** .003 SOI(t) -.153** .001
NAO(t) .074 .102 SOI(t-1) -.126** .005
NAO(t-1) .103* .023 SOI(t-2) -.084 .064
NAO(t-2) .032 .481 SOI(t-3) -.106* .019
NAO(t-3) -.009 .847 SWMRR(t) .357** .000
NINO 1+2(t) -.339** .000 SWMRR(t-1) .244** .000
NINO 1+2(t-1) -.199** .000 SWMRR(t-2) -.049 .276
NINO 1+2(t-2) .006 .896 SWMRR(t-3) -.182** .000
NINO 1+2(t-3) .233** .000 TSA(t) -.072 .112
NINO 1+2(t-4) .425** .000 TSA(t-1) -.051 .264
NINO 1+2(t-5) .497** .000 TSA(t-2) -.031 .494
NINO 1+2(t-6) .427** .000 TSA(t-3) -.032 .480
05/0دار در سطح معنی .*؛ 01/0دار در سطح معنی .**
خالصه نتایج آماري حاصل از مدل سازي بروش رگرسیون گام به گام -3 جدول
Model R R
Square Adjusted R Square
Std. Error of the Estimate
Change Statistics
R Square Change
F Change
df1 df2 Sig. F
Change
1 .497a .247 .245 .8135586 .247 158.749 1 484 .000 2 .756b .571 .570 .6144064 .324 365.617 1 483 .000 3 .824c .679 .677 .5321592 .108 161.836 1 482 .000 4 .862d .744 .741 .4762560 .064 120.796 1 481 .000 5 .879e .773 .771 .4482024 .030 63.097 1 480 .000 6 .882f .778 .776 .4437097 .005 10.770 1 479 .001 7 .885g .783 .780 .4394840 .005 10.255 1 478 .001 8 .887h .786 .783 .4364672 .003 7.631 1 477 .006 9 .889i .790 .786 .4329329 .004 8.820 1 476 .003
10 .890j .793 .788 .4308453 .002 5.624 1 475 .018 11 .892k .795 .791 .4285530 .003 6.095 1 474 .014 12 .893l .798 .793 .4264316 .002 5.728 1 473 .017
a. Predictors: (Constant), NINO 1+2(t-5)
b. Predictors: (Constant), NINO 1+2(t-5), R(t)
c. Predictors: (Constant), NINO 1+2(t-5), R(t), NINO 1+2(t)
d. Predictors: (Constant), NINO 1+2(t-5), R(t), NINO 1+2(t), NINO 3(t-6)
e. Predictors: (Constant), NINO 1+2(t-5), R(t), NINO 1+2(t), NINO 3(t-6), MEI(t)
f. Predictors: (Constant), NINO 1+2(t-5), R(t), NINO 1+2(t), NINO 3(t-6), MEI(t), NINO 3(t-4)
g. Predictors: (Constant), NINO 1+2(t-5), R(t), NINO 1+2(t), NINO 3(t-6), MEI(t), NINO 3(t-4), TSA(t)
h. Predictors: (Constant), NINO 1+2(t-5), R(t), NINO 1+2(t), NINO 3(t-6), MEI(t), NINO 3(t-4), TSA(t), AMO(t-2)
i. Predictors: (Constant), NINO 1+2(t-5), R(t), NINO 1+2(t), NINO 3(t-6), MEI(t), NINO 3(t-4), TSA(t), AMO(t-2), NINO 3.4(t-6)
j. Predictors: (Constant), NINO 1+2(t-5), R(t), NINO 1+2(t), NINO 3(t-6), MEI(t), NINO 3(t-4), TSA(t), AMO(t-2), NINO 3.4(t-6), SPI(t-2)
k. Predictors: (Constant), NINO 1+2(t-5), R(t), NINO 1+2(t), NINO 3(t-6), MEI(t), NINO 3(t-4), TSA(t), AMO(t-2), NINO 3.4(t-6), SPI(t-2), NINO 1+2(t-4)
l. Predictors: (Constant), NINO 1+2(t-5), R(t), NINO 1+2(t), NINO 3(t-6), MEI(t), NINO 3(t-4), TSA(t), AMO(t-2), NINO 3.4(t-6), SPI(t-2), NINO 1+2(t-4), NINO 1+2(t-6)
p. Dependent Variable: SPI(t)
نتایج و بحث
هـاي دهنده اینست کـه سـال نشان SPIنتایج محاسبه
1985 سـال هاي بسیار شدید، خشکسالی 2001و 1973
سـال هـا در دوره آمـاري بجـز خشکسالی شـدید و بـاقی
که شرایط ترسالی ( 2009 و 1991، 1986، 1982، 1974
59مجید رضایی و هادي معماریان
بـوده و لعـاتی، طـوالنی مطا هاي قبلی در دوره آماري
. همچنان نیز ادامه دارد
یرجندب ینوپتیکس یستگاه
امـا . شـود دیده مـی 4در مدل ) 004/0و 0/
آمـده اسـت، ایـن تفـاوت در 3 طـور کـه در جـدول
هـا بـا سـایر مـدل 1هاي رگرسیونی بجز بـین مـدل
ها در اکثر آن Fآماره اگرچه تغییرات. چندان مشهود نیست
لی از مدل پـنجم بـه بعـد دار است وبه لحاظ آماري معنی
ــیار ــی و بس ــتگی جزئ ــین و همبس ــرایب تبی ــرات ض تغیی
.
نمودار خطاي مدل هاي مختلف براي سري داده هاي آموزش و اعتبار سنجی متقابل
ترین تـاثیر را بـر بیش 7/0با متوسط حساسیت
، R(t)پـس از آن متغیرهـاي .داشته استعملکرد شبکه
NINO 1+2(t) وNINO 3(t-6) ـ ترتیـب بـا حساسـیت هب
توانسته اند خروجی شبکه را بیش از 28/0و
-3
-2.5
-2
-1.5
-1
-0.5
0
0.5
1
1.5
2
2.5
1970
19711972
1973
19741975
1976
19771978
19791980
1981
1982
SP
I
0
0.002
0.004
0.006
0.008
0.01
0.012
0.014
0.016
0.018
0.02
1 2
MS
E
یخشکسال ینیب یشدر پ یمیاقل يآمار يها یهبارش و نما
لشـک (اند شرایط نزدیک نرمال را تجربه کرده
شود بیرجند از سال دیده می 5طور که در شکل
الی شده و ایـن دوره بـر خـالف وارده دوره خشکس
هاي قبلی در دوره آماري دوره
همچنان نیز ادامه دارد
یستگاها 1970- 2010 يدوره آمار در بارش و خشکسالی انطباق - 5 شکل
اعتبارسـنجی ش و در طـی آمـوز هـا نتایج ارزیابی مدل
داري بـین معنـی صـحت دهنده تفاوت
این تفاوت بخصوص بین . )6 شکل( مختلف است
هاي چهار و پنج بـا یـک، دو و سـه و همچنـین بـین
به طـور کامـل هاي چهار و پنج با شش، هفت وهشت
ترین که بیشترین صحت شبکه و کم طوري
در طــی آمــوزش و اعتبــار ســنجی متقابــل
/003بترتیب (
طـور کـه در جـدول همان
هاي رگرسیونی بجز بـین مـدل مدل
چندان مشهود نیست
به لحاظ آماري معنی
ــیار ــی و بس ــتگی جزئ ــین و همبس ــرایب تبی ــرات ض تغیی
. تدریجی است
نمودار خطاي مدل هاي مختلف براي سري داده هاي آموزش و اعتبار سنجی متقابل -6شکل
در که تقریباًدهد نشان مینتایج آنالیز حساسیت شبکه
و بــارش NINOهــاي هــاي مختلــف، شــاخص
طورکـه همـان . اند ن تاثیر را بر عملکرد شبکه داشته
NINO، شـاخص 4شـود در مـدل دیـده مـی
1+2(t-5) با متوسط حساسیت
عملکرد شبکه
NINO 1+2(t)
و 28/0، 59/0
1982
1983
1984
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001
2002
2003
2004
2005
2006
2007
2008
SPI Rainfall (mm)
2 3 4 5 6 7 8مدل
اعتبار سنجی
متقابل
یزمان يها يکاربرد سر
شرایط نزدیک نرمال را تجربه کرده) اند را داشته
طور که در شکل همان. )5
وارده دوره خشکس 1998
نتایج ارزیابی مدل
دهنده تفاوت متقابل شبکه نشان
مختلف استهاي مدل
هاي چهار و پنج بـا یـک، دو و سـه و همچنـین بـین مدل
هاي چهار و پنج با شش، هفت وهشت مدل
طوري هب. مشهود است
در طــی آمــوزش و اعتبــار ســنجی متقابــل ) MSE(خطــا
نتایج آنالیز حساسیت شبکه
هــاي مختلــف، شــاخصکلیــه مــدل
ن تاثیر را بر عملکرد شبکه داشتهبیشتری
دیـده مـی 8 در شکل
0
50
100
150
200
250
300
350
2008
2009
2010
PC
P (
mm
)
1394، پاییز و زمستان 2، شماره 5پژوهشی خشک بوم جلد - دو فصلنامه علمی 60
نیـز 8در مـدل .همه تحت تاثیر تغییرات خود قرار دهنـد
نشـان داده شـده اسـت، از بـین 7طور که در شکل همان
هاي اخصهاي بزرگ مقیاس اقلیمی، تغییرات در ششاخص
NINO 1+2 وNINO 3 توانسـته ها دیگر شاخصبیشتر از
ــد ــاد کن ــبکه ایج ــی ش ــر در خروج ــت تغیی ــس از. اس پ
NINO1+2(t-5) ــا متوســط حساســیت خروجــی ،35/0ب
tشبکه بیش از همه تحت تاثیر متغیر بارش در گام زمانی
.بوده است) 18/0با متوسط حساسیت (
4نتیجه آنالیز حساسیت مدل شماره - 8 شکل 8نتیجه آنالیز حساسیت مدل شماره - 7 شکل
نیـز NINO 1+2طور که در تعریف شاخص البته همان
ENSOهاي اصـلی پدیـده گفته شد، این شاخص از سنجه
ــانگر نوســا ــوده و بی ــا در ب نات درجــه حــرارت ســطح دری
ترین فاصله اقیانوس آرام است که نزدیکن بخش تری شرقی
توانمنـدي توانـد بنابراین می. )9 شکل( را با ایران داراست
هاي منطقه اقلیمی شرق تاثیر بر خشکسالی از نظرباالتري
نیـز در ] 1[اژدري مقـدم و همکـاران . کشور داشته باشـد
فـازي -سازي خشکسالی پاییزه به کمک شبکه عصبیمدل
ــاخص ــاي ش و NINO 3,4و NINO 1+2 ،NINO 3 ه
تـرین ین سه ماهه بارش را در بین مناسـب همچنین میانگ
ایـن نتـایج بـا . متغیرها جهـت شـبیه سـازي قـرار دادنـد
نیـز ]20[ فتاحی و همکاران هاي حاصل از تحقیقات یافته
بینی بارش با اسـتفاده از پیشالبته آنها در . همخوانی دارد
ENSOهاي عصبی مصنوعی نشان دادند که پدیـده شبکه
بعنـوان NINO 3.4، و NINO 1+2 ،NINO 3در منـاطق
و 1آلـن . باشـد بینی بـارش مـی موثرترین سیگنال در پیش
نیـز بـر ایـن ]27[2و کریپاالنی و کولکـارانی ]5[همکاران
هـاي تـرین پدیـده از مهـم ENSOکنند که نکته تاکید می
هـاي متقابـل ناشـی از واکـنش اي اسـت کـه شناخته شده
جو و خشکی بوده و تغییـرات اقلیمـی سـاالنه در -اقیانوس
با توجه به نکات گفتـه .گردد سطح کره زمین را موجب می
انطبـاق پدیـده تواند اثبات کننده می 10شکلشده در باال،
هاي غیر نرمـال که همراه با وقوع سیگنال( ENSOاقلیمی
1.Allen 2. Kripalani and Kulkarani
بر وقوع و شـدت ) می باشد مرتبط با دماي سطح اقیانوس
. باشدخشکسالی منطقه اقلیمی بیرجند
و 2 هاي جدول(هاي آماري انجام شده بر اساس تحلیل
تـاثیر SOIو NAOهـاي مشخص گردید کـه شـاخص ) 3
این نتایج نیـز بـا . ندارند هاداري در بهبود نتایج مدلمعنی
و ] 33[حاصـل از تحقیقـات مریـد و همکـاران هـاي یافته
. مطابقت دارد] 35[نگارش و آرمش
دهد که همبستگی با تاخیر نشان می این پژوهشنتایج
تري بین خشکسالی و هاي اقلیمی نتایج قابل قبولشاخص
ENSO حی و بــر اســاس مطالعــات فتــا. دهــدرا ارائـه مــی
علـت بکـار بـردن ] 15[و همکاران 3و چیو] 20[همکاران
مکـانی زیـاد بـین ایـران و اي توجه به فاصـله چنین شیوه
هاي بزرگ مقیاس اقلیمـی مکان اصلی و خاستگاه سیگنال
. است
همچنین نتایج محاسـبات آمـاري و اجـراي شـبکه بـا
نشان داد که این متغیر توانایی چندانی SPIمقادیر پیشین
و این در افزایش عملکرد شبکه و کاهش خطاي مدل ندارد
اژدري مقدم و همکـاران یافته هاينتایج نیز تا حدودي با
الزم بـذکر اسـت کـه در ایـن مطالعـه . همخوانی دارد ]1[
بمنظور اطمینان از عدم افزایش عملکرد شـبکه بـا مقـادیر
NINO 3(t-6)، در مدل چهارم متغیر ورودي SPIپیشین
جـایگزین شـد و شـبکه دوبـاره SPI(t-1)با متغیر ورودي
ده حـاکی از آموزش و آزمون گردید که نتـایج بدسـت آمـ
.افزایش خطاي مدل نسبت به مدل قبلی داشت
3.Chiew
0.18
0.02 0.010.02
0.35
0.05 0.04
0.01
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
R(t) AMO(t-2) MEI(t) NINO 1+2(t)NINO 1+2(t-5)NINO 3(t-4)NINO 3(t-6) TSA(t)
Sen
siti
vity
Input Name
SPI(t)0.59
0.28
0.70
0.28
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
R(t) NINO 1+2(t) NINO 1+2(t-5) NINO 3(t-6)
Sen
siti
vit
y
Input Name
SPI(t)
61مجید رضایی و هادي معماریان یخشکسال ینیب یشدر پ یمیاقل يآمار يها یهبارش و نما یزمان يها يکاربرد سر
در اقیانوس آرام NINOنواحی چهارگانه - 9 شکل
ترین وقایع خشکسالی در طی دوره آماري ایستگاه سینوپتیک بیرجند بر مهم) NINO 1+2(t)شاخص ( ENSOانطباق -10شکل
معیارهاي ارزشیابی در طی آزمون شبکه -4 جدول MSE NMSE r مدل
1 074/1 193/1 595/0
2 615/0 684/0 872/0
3 765/0 85/0 845/0
4 176/0 196/0 903/0
5 209/0 232/0 886/0
6 413/0 459/0 851/0
7 626/0 696/0 846/0
8 936/0 04/1 828/0
نشان داده شـده، 11ل و شک 4طور که در جدول همان
از مـدل اول NMSEو MSEمیزان در طی آزمون شبکه،
. هـا کـاهش مـی یابـد تا چهارم بـا افـزایش تعـداد ورودي
و میـزان 176/0بـه 074/1از MSEکـه میـزان طـوري هب
NMSE ــه 193/1از ــود 196/0ب ــه خ ــت ک ــیده اس رس
امـا . میزان خطا استبرابري 10دهنده کاهش حدود نشان
هـا بعـد از مـدل چهـارم، عملکـرد با افزایش تعداد ورودي
5تـا حـدود شبکه نه تنها افزایش نیافت بلکه میزان خطـا
الزم بذکر اسـت کـه .برابر در مدل هشتم افزایش پیدا کرد
از مـدل پـنجم بـه ) تابع 7تا (افزایش تعداد توابع عضویت
. داري کـاهش دهـد نیبعد نتوانست میزان خطا را بطور مع
که زمان الزم براي آموزش شبکه و اجراي مـدل ضمن این
با توجه به پیچیدگی بیشـتر شـبکه، بشـدت افـزایش مـی
شود که عملکرد شبکه ، مشاهده می11 بر اساس شکل.یابد
به عملکـرد هااز مدل پنجم به بعد با افزایش تعداد ورودي
هماننـد 8مدل که طوري هب ،شود نزدیک می 1مدل شماره
هاي نزدیـک بـه بینی حتی خشکسالی توانایی پیش 1مدل
32[همانطورکه توسط برخی محققـین . نرمال را هم ندارد
نیز تاکید شده است، گاهی اوقات افزایش پیچیدگی ] 34و
ها و چه در سـاختار و معمـاري شبکه چه در تعداد ورودي
-4
-3
-2
-1
0
1
2
3
4
197
0
197
1
197
2
197
3
197
4
197
5
197
6
197
7
197
8
197
9
198
0
198
1
198
2
198
3
198
4
198
5
198
6
198
7
198
8
198
9
199
0
199
1
199
2
199
3
199
4
199
5
199
6
199
7
199
8
199
9
200
0
200
1
200
2
200
3
200
4
200
5
200
6
200
7
200
8
200
9
201
0
SPI(t) [NINO 1+2(t)]/10 12 per. Mov. Avg. (SPI(t)) 12 per. Mov. Avg. ([NINO 1+2(t)]/10)
1394، پاییز و زمستان 2، شماره 5پژوهشی خشک بوم جلد - دو فصلنامه علمی 62
د و چـه تواند کمکی به بهبود عملکرد شـبکه نمایـ آن نمی
بسا همانند آنچه که در این تحقیـق مشـاهده شـد، حتـی
. موجب کاهش عملکرد و افزایش خطاي مدل گردد
با بررسی معیارهاي ارزیابی شـبکه در طـی ،در مجموع
تـوان مراحل آموزش، اعتبار سنجی متقابـل و آزمـون مـی
بـین مقـادیر ( 903/0مدل چهارم بـا ضـریب همبسـتگی
ترین مدل عنوان مناسب هرا ب) دهمشاهداتی و پیش بینی ش
جهت پیش بینی خشکسـالی در منطقـه اقلیمـی بیرجنـد
.ارائه داد
هاي مختلف در طی آزمون شبکه سازي حاصل از مدل هاي مشاهداتی و نتایج شبیه مقایسه داده -11 شکل
-3
-2
-1
0
1
2
3
-3 -2 -1 0 1 2 3
Sim
ula
ted
Observed
SPI(t)
1:1
-3
-2
-1
0
1
2
3
No
v-00
Oct
-01
Sep
-02
Au
g-0
3
Jul-
04
Jun
-05
May
-06
Ap
r-0
7
Mar
-08
Feb
-09
Jan
-10
Dec
-10
Exemplar
Model #1
SPI(t)_Observed
SPI(t)_Simulated
-3
-2
-1
0
1
2
3
-3 -2 -1 0 1 2 3Sim
ula
ted
Observed
SPI(t)
1:1
-3
-2
-1
0
1
2
3
No
v-0
0
Oct
-01
Sep
-02
Au
g-03
Jul-
04
Jun
-05
May
-06
Ap
r-07
Mar
-08
Feb
-09
Jan
-10
De
c-10
Exemplar
Model #2
SPI(t)_Observed
SPI(t)_Simulated
-3
-2
-1
0
1
2
3
-3 -2 -1 0 1 2 3
Sim
ula
ted
Observed
SPI(t)
1:1
-4
-3
-2
-1
0
1
2
3
No
v-0
0
Oct
-01
Sep
-02
Au
g-0
3
Jul-
04
Jun
-05
May
-06
Ap
r-0
7
Mar
-08
Feb
-09
Jan
-10
De
c-1
0
Exemplar
Model #3
SPI(t)_Observed
SPI(t)_Simulated
-3
-2
-1
0
1
2
3
-3 -2 -1 0 1 2 3
Sim
ula
ted
Observed
SPI(t)
1:1
-3
-2
-1
0
1
2
3
No
v-0
0
Oct
-01
Sep
-02
Au
g-0
3
Jul-
04
Jun
-05
May
-06
Ap
r-07
Mar
-08
Feb
-09
Jan
-10
De
c-1
0
Exemplar
Model #4
SPI(t)_Observed
SPI(t)_Simulated
63مجید رضایی و هادي معماریان یخشکسال ینیب یشدر پ یمیاقل يآمار يها یهبارش و نما یزمان يها يکاربرد سر
هاي مختلف در طی آزمون شبکه سازي حاصل از مدل هاي مشاهداتی و نتایج شبیه مقایسه داده -11 شکلادامه
گیري نتیجه
هـاي بـزرگ مقیـاس عملکرد سـیگنال در این پژوهش
SPIاقلیمی، بارش و مقادیر پیشـین شـاخص خشکسـالی
بیرجنـد بـه منطقـه اقلیمـی بینی خشکسـالی جهت پیش
نتـایج . مورد ارزیـابی قـرار گرفـت CANFISکمک شبکه
توان بصورت زیر خالصـه دست آمده از این تحقیق را می هب
:کرد
همـه در نشـان داد کـه تقریبـاً آنالیز حساسیت شـبکه
و بـارش بیشـترین NINOهـاي هاي مختلف، شاخصمدل
نیـز، 4در مدل شماره . تاثیر را بر عملکرد شبکه داشته اند
ــاخص ــیت NINO 1+2(t-5)ش ــط حساس ــا متوس 7/0ب
R(t) ، NINOبیشــترین تــاثیر و پــس از آن متغیرهــاي
1+2(t) وNINO 3(t-6) 28/0، 59/0بترتیب با حساسیت
توانستند خروجی شبکه را بیش از همه تحت تاثیر 28/0و
این نتایج اثبات کننده همبستگی . تغییرات خود قرار دهند
بـا خشکسـالی منطقـه ENSOقابل قبول پدیـده اقلیمـی
.اقلیمی بیرجند است
-3
-2
-1
0
1
2
3
-3 -2 -1 0 1 2 3Sim
ula
ted
Observed
SPI(t)
1:1
-3
-2
-1
0
1
2
3
No
v-00
Oct
-01
Sep
-02
Au
g-03
Jul-
04
Jun
-05
May
-06
Ap
r-07
Mar
-08
Feb
-09
Jan
-10
De
c-10
Exemplar
Model #5
SPI(t)_Observed
SPI(t)_Simulated
-3
-2
-1
0
1
2
3
-3 -2 -1 0 1 2 3
Sim
ula
ted
Observed
SPI(t)
1:1
-3
-2
-1
0
1
2
3
No
v-00
Oct
-01
Sep
-02
Au
g-0
3
Jul-
04
Jun
-05
May
-06
Ap
r-0
7
Mar
-08
Feb
-09
Jan
-10
Dec
-10
Exemplar
Model #6
SPI(t)_Observed
SPI(t)_Simulated
-3
-2
-1
0
1
2
3
-3 -2 -1 0 1 2 3Sim
ula
ted
Observed
SPI(t)
1:1
-3
-2
-1
0
1
2
3
No
v-0
0
Oct
-01
Sep
-02
Au
g-03
Jul-
04
Jun
-05
May
-06
Ap
r-07
Mar
-08
Feb
-09
Jan
-10
De
c-10
Exemplar
Model #7
SPI(t)_Observed
SPI(t)_Simulated
-3
-2
-1
0
1
2
3
-3 -2 -1 0 1 2 3Sim
ula
ted
Observed
SPI(t)
1:1
-3
-2
-1
0
1
2
3
No
v-00
Oct
-01
Sep
-02
Au
g-0
3
Jul-
04
Jun
-05
May
-06
Ap
r-0
7
Mar
-08
Feb
-09
Jan
-10
Dec
-10
Exemplar
Model #8
SPI(t)_Observed
SPI(t)_Simulated
1394، پاییز و زمستان 2، شماره 5پژوهشی خشک بوم جلد - دو فصلنامه علمی 64
هاي ارزیابی شـبکه بر اساس محاسبات آماري و شاخص
هـاي اقلیمـی بستگی با تاخیر شـاخص مشخص شد که هم
را ارائـه ENSOتـري بـین خشکسـالی و نتایج قابل قبـول
با پنج NINO 1+2که استفاده از شاخص طوري هب. دهد می
ماه تاخیر توانسـت بیشـترین تـاثیر را بـر عملکـرد شـبکه
CANFIS داشته باشد.
نتایج محاسبات آماري و اجراي شبکه با مقادیر پیشـین
SPI داد که این متغیر توانـایی چنـدانی در افـزایش نشان
.عملکرد شبکه وکاهش خطاي مدل ندارد
در مجموع مدل چهارم با ترکیبی از پارامترهـاي ورودي
NINO 1+2(t-5) ،R(t) ، NINO 1+2(t) وNINO 3(t-6)
بــین مقــادیر مشــاهداتی و ( 903/0و ضــریب همبســتگی
هــت تــرین مــدل جعنــوان مناســب هبــ) بینــی شــدهپــیش
بینی خشکسالی در منطقه اقلیمی بیرجند با اسـتفاده پیش
.ارائه شد CANFISاز شبکه
شبکهCANFIS ًخـوب و تعـداد توانست با اعتبار نسبتا
هاي آماري، با موفقیـت در هاي کمتر نسبت به مدلورودي
بینی خشکسالی منطقه اقلیمی بیرجنـد بکـار گرفتـه پیش
.شود
سپاسگزاري
حمایت مالی دانشگاه بیرجند تحـت قـرار پژوهش حاضر با
.انجام شده است 19587/د/1392 داد شماره
References
[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.
65مجید رضایی و هادي معماریان یخشکسال ینیب یشدر پ یمیاقل يآمار يها یهبارش و نما یزمان يها يکاربرد سر
[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
1394، پاییز و زمستان 2، شماره 5پژوهشی خشک بوم جلد - دو فصلنامه علمی 66
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.
Arid Biome Scientific and Research Journal Vol. 5 No. 2 2015
Application of Rainfall Time Series and Climatic Indices for Drought Prediction using Co-Active Neurofuzzy Inference System (Case Study: Birjand, Southern
Khorasan)
1- M. Rezaei, Associate Professor, Department of Statistics, University of Birjand
2-H. Memarian, Assistant Professor, Department of Range and Watershed Management, University of Birjand [email protected]
Received: 02 May 2014 Accepted: 11 Jul 2015
Abstract Drought forecasting is an important tool for managers for exploitation of the limited resources of
soil and water. Recently, Southern Khorasan has become one of the main centers in the country which suffers from severe drought. This study was aimed to assess the capability of CANFIS for drought forecasting of Birjand area through the combination of global climatic signals with rainfall and previous values of Standardized Precipitation Index (SPI). SPI was used to define and monitor the drought event in monthly time scale. In this study, nine global climatic indices were selected for drought simulation. Using stepwise regression and correlation analyses, the signals NINO 1+2, NINO 3, MEI, TSA, AMO and NINO 3.4 were recognized as the effective signals on the drought event in Birjand. In this work, for modeling, 41 years of climatic data records (1970-2010) were collected in which 60%, 15%, and 25% of them were extracted to be used in training, cross validation and testing processes, respectively. The momentum algorithm with Gaussian fuzzy membership function was utilized in network training process. Based on the results from stepwise regression analysis, 12 models were extracted for further processing by CANFIS. However, due to the limitation of CANFIS in the execution of training process with the inputs higher than 5, only 8 models were analyzed using CANFIS. Sensitivity analysis showed that for all models, NINO indices and rainfall variable had the largest impact on network performance. In model No. 4, as the model with the lowest error during training and testing processes, NINO 1+2(t-5) with an average sensitivity of 0.7 showed the highest impact on network performance. After that, the variables rainfall, NINO 1+2(t) and NINO 3(t-6) with the average sensitivity of 0.59, 0.28 and 0.28, respectively could have the highest effect on network performance. According to network performance metrics, it was established that the global indices with a time lag represented a better correlation with ENSO. Finally, the fourth model with a combination of the input variables NINO 1+2 (with 5 months of lag and without any lag), monthly rainfall and NINO 3 (with 6 months of lag) showed a correlation coefficient of 0.903 (between observed and simulated SPI) and was selected as the most accurate model for drought forecasting using CANFIS in the climatic region of Birjand. Keywords: Drought forecasting; Climatic signals; SPI; CANFIS; ENSO.
