عنوان پایان‌نامه
مقایسه وارزیابی کارایی شاخص های اقلیمی خشکسالی جهت پهنه‌بندی شدت خشکسالی و پیش بینی آن با استفاده از روش شبکه عصبی مصنوعی در مناطق مختلف اقلیمی ایران
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 54460
- تاریخ دفاع
- ۲۸ شهریور ۱۳۹۱
- دانشجو
- مه رو ده بزرگی
- استاد راهنما
- آرش ملکیان, امیر هوشنگ احسانی
- چکیده
- خشکسالی از بزرگترین و تاثیر گذار ترین بلایای طبیعی در جوامع بشری محسوب می شود. بنابراین شناسایی شدت، مدت، گستره و فراوانی خشکسالی ها در حال حاضر و نیز پیش بینی و هشدار آن ها در آینده از نیاز های اساسی بشر برای جلوگیری و کاهش خسارات محسوب می شود. ابزارهای موثری که در راستای پایش خشکسالی نقش بسزایی ایفا می‌کند، شاخص‌های پایش خشکسالی می باشند. هر کدام از این شاخص ها برای اهداف معینی ایجاد شده و برای مناطق اقلیمی خاصی کاربرد دارند. در تحقیق حاضر شش شاخص خشکسالی هواشناسی شامل شاخص دهک ها (Deciles Precipitation Index)، شاخص استاندارد بارش(Standardized Precipitation Index)، شاخص معیار استاندارد (Z-score Standard Index)، شاخص Z چینی (Index Chinese Z)، شاخص درصد نرمال بارش (Percent of Normal Precipitation Index) و شاخص شناسایی خشکسالی (Reconnaissance Drought Index) مورد ارزیابی قرار گرفته و مناسب ترین شاخص در هر استان با روش کمینه بارش تعیین و با استفاده از روش شبکه عصبی مصنوعی تحلیل و برای سال های آتی پیش بینی گردید. این شاخص ها طی دوره آماری 38 ساله (1350-1387) از 51 ایستگاه باران سنجی و سینوپتیک واقع در سه منطقه اقلیمی ایران، شامل استان های اردبیل، آذربایجان غربی و آذربایجان شرقی واقع در اقلیم نیمه خشک سرد، استان خوزستان واقع در اقلیم خشک بیابانی گرم و استان های کرمان و سیستان و بلوچستان واقع در اقلیم فراخشک گرم ، در مقیاس زمانی سالانه محاسبه شده اند. سپس به منظور شناخت مناطق مستعد خشکسالی و تعیین وضعیت و گستره فعلی خشکسالی ها، بر اساس بهترین شاخص برای هر استان، اقدام به پهنه بندی خشکسالی با استفاده از سامانه اطلاعات جغرافیایی و روش میانیابی معکوس فاصله (IDW) گردید. در مرحله بعد، خشکسالی با استفاده از روش شبکه عصبی مصنوعی تحلیل و پیش بینی گردید. معماری شبکه به صورت شبکه پرسپترون چند لایه و تابع محرک سیگموئید با الگوی پس انتشار خطا همراه با یک لایه میانی و 10 نرون به صورت ساختار لایه 1-10-1 انتخاب گردید. در این روش، شبکه عصبی با استفاده از آمار 30 سال (1350-1379) بارش و شاخص منتخب در هر منطقه اقلیمی به عنوان ورودی برای هر استان آموزش دیده و با استفاده از آمار هشت سال آخر دوره آماری (1380-1387) مرحله اعتبار سنجی و شبیه سازی داده ها انجام شد. در مرحله بعد با استفاده از وزن های حاصل از شبکه و فرمول های مربوطه ، مقدار شاخص خشکسالی بهینه برای هر استان برای سال های 1388-1392 در طی یک دوره پنج ساله پیش بینی گردید. نتایج نشان داد که در منطقه اقلیمی شمال غربی و جنوب غربی ایران شاخص دهک، و در منطقه اقلیمی جنوب شرقی ایران شاخص استاندارد بارش دارای بهترین عملکرد بوده است. همچنین شبکه عصبی مصنوعی با همبستگی 99% و میانگین خطای 03/0 قادر به شبیه سازی شاخص خشکسالی در طی سال های 1380 تا 1387 می باشد. نتایج پیش بینی شاخص خشکسالی در اکثر ایستگاه ها در مناطق اقلیمی مختلف نشان دهنده این مطلب بود که خشکسالی در طی سال های 1388-1392 بطور کلی روند افزایشی داشته است. همچنین روش شبکه عصبی مصنوعی در برآورد و پیش بینی شدت و مدت خشکسالی در مناطق اقلیمی مختلف دارای دقت یکسانی بوده و از کارایی بسیار زیادی در اینگونه مطالعات برخوردار است. کلمات کلیدی: شاخص های خشکسالی هواشناسی، سامانه اطلاعات جغرافیایی، میان یابی معکوس فاصله، شبکه عصبی مصنوعی.
- Abstract
- Drought is the most effective natural disasters in human societies. So, monitoring drought in the present situation and forecasting and warning drought in the future is essential for preventing and reducing damages. There are several meteorological indices for monitoring drought. In this study, six meteorological drought indices, include, Deciles of Precipitation Index (DPI), Standardized Precipitation Index (SPI), Percent of Normal Precipitation Index (PNPI), the Z-Score Index (ZSI), The Chinese Z Index (CZI) and Reconnaissance Drought Index (RDI) have been evaluated and an appropriate index for each province was choosed based on the minimum rainfall during the annual rainfall period, then Artificial Neural Networks was used for forecasting drought as it is essential for preventing and reducing damages. These indices have been calculated over a time period of 38 years (1971-2008) in 51 meteorological stations in three different climatic regions of Iran include, Ardebil, Azarbayjan Gharbi and Azarbayjan Sharghi in Northwest of Iran, Khuzestan in southwest of Iran and Kerman and Sistan & Baloochestan province in southeast of Iran. Then, in order to identify prone areas to drought and its intensity, IDW method in Arc GIS software were applied in each province. Next, Artificial Neural Networks was used for forecasting and analyzing drought. In this study Multi Layer Perceptron (MLP) network with sigmoid transfer function and Back Propagation algorithm and 1-10-1 structure with One hidden layer and Ten neurons were choosed. In this network, 30 years rainfall data (1971-2000) and the selected index for each province were used as imputes for training and the last Eight years of data (2001-2008) were used for evaluating. Therefore, with the weighted trained by the model and related formulas, drought indices values were predicted from 2009-2013 for each province. The results showed that in northwest and southwest of Iran, the best index is DPI and in the southeast region of Iran is SPI. Also, the network was able to simulate and forecast with 99% regression and average 0.03 errors. Also diagrams showed that simulated values were greatly compatible with the actual values. According to classification of severity of drought indices, results showed that the drought will have an increasing trend in the most of stations in different climatic regions and also the Artificial Neural Network is very effective in such researches. Keywords: Meteorological drought indices, Geographic Information System, Inverse Distance Method, Artificial Neural Network.
