عنوان پایان‌نامه
پیش بینی مشخصه های خشکسالی هواشناسی با استفاده از آنالیز سری های زمانی و سیستم های هوشمند (مطالعه موردی شرق و جنوب ایران)
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 63441
- تاریخ دفاع
- ۲۹ بهمن ۱۳۹۲
- دانشجو
- مژده غفاری شیروان
- استاد راهنما
- مجید کریم پورریحان, آرش ملکیان
- چکیده
- خشکسالی یکی از وقایع مخرب طبیعی می‌باشد که بیشترین صدمات را به منابع آبی وارد می‌نماید و بهترین راه سازگاری با خشکسالی، شناخت صحیح این پدیده و زمان وقوع آن است. پیش‌بینی خشکسالی ابزار مناسبی است تا با در نظر گرفتن این پیش‌بینی، خسارات ناشی از خشکسالی‌های آتی را به حداقل رساند. یکی از متداول‌ترین روش‌ها به منظور پیش‌بینی خشکسالی استفاده از مدل‌های هوشمند ( از جمله شبکه عصبی مصنوعی و الگوریتم ژنتیک) می‌باشد. در این تحقیق به‌منظور مطالعه و پیش‌بینی شاخص های خشکسالی استاندارد شده بارش (SPI) و خشکسـالی موثر (EDI) در 53 ایستگاه، واقع در استان‌های شـرقی کشور (خراسان شمالی، خراسان رضوی، خراسان جنوبی، سیسـتان و بلوچسـتان و کرمان) از مدل شبکه عصبی‌مصنوعی و سیگنال‌های بزرگ مقیاس اقلیمی استفاده گردید. ترکیب‌های متفاوتی از این دو شاخص به همراه داده‌های بارش ماهانه و سیگنال‌های بزرگ مقیاس اقلیمی NAO و SOI در دوره آماری 30 ساله (61-1360 تا 90-1389) با زمان‌های تاخیر مختلف یک، دو و سه ماهه به عنوان ورودی‌های مدل معرفی شدند. آموزش این مدل ها توسط 60% داده‌های ورودی، به دو روش شبکه عصبی و الگوریتم ژنتیک انجام گردید. پس از انجام مراحل صحت‌سنجی و آزمایش مدل توسط 40% مابقی داده‌ها، نتایج نشان داد که نمایه EDI، قابلیت بیشتری در پیش‌بینی نسبت به نمایه SPI دارد. به‌منظور پیش‌بینی شاخص خشکسالی EDI برای تمامی استان‌های مورد بررسی به غیر از استان خراسان جنوبی، سناریویی با ترکیب همین شاخص با تاخیرهای زمانی یک، دو و سه ماهه به عنوان بهترین سناریو انتخاب شد و در استان خراسان جنوبی نیز بهترین سناریو شامل داده‌های بارش ماهانه و شاخص خشکسالی EDI با تاخیرهای زمانی یک، دو و سه ماهه معرفی گردید. همچنین در این تحقیق مشخص شد که شبکه عصبی مصنوعی تحت آموزش الگوریتم ژنتیک به غیر از استان خراسان شمالی نتایج بهتری را نسبت به آموزش توسط شبکه عصبی مصنوعی نشان می‌دهد. کلمات کلیدی: خشکسالی، شبکه عصبی مصنوعی، الگوریتم ژنتیک، سیگنال‌های بزرگ مقیاس اقلیمی
- Abstract
- As a natural hazard, drought has serious impacts on water resources. To succeed in drought preparedness and mitigation depends on proper understanding of the phenomenon and the time that occurred . Drought forecasting is an appropriate tool for reducing future losses due to drought and one of the most common methods for drought forecasting is using intelligencer models ( i.e. Artificial Neural Networks and Genetic Algorithms ). This study describes an approach to forecast Effective Drought Index (EDI) and the Standardized Precipitation Index (SPI) in 53 metrological stations in eastern provinces of Iran including North, Razavi and South Khorasan, Sistan and Baluchestan and Kerman by using Time Lagged Recurrent Networks. Different combinations of the above mentioned drought indices (EDI and SPI), precipitation data and large scale climate signals (NAO and SOI) over the period of 1981-82 to 2010-2011 with time lagged from 1 to 3 months , were introduced as inputs to the model. Then the models was trained by 60% of input data with two methods including Artificial Neural Networks(ANNs) and Genetic Algorithms. After verification and testing the models with the remaining 40% of input data, the result has shown that EDI has greater ability to predict drought than SPI. Meanwhile, EDI with time lagged from 1 to 3 months is the best combinations data as predictors for forecasting EDI in all provinces except South Khorasan while the best predictors in this province is combinations of precipitation and EDI with time lagged from 1 to 3 months. Also, this study showed that, the Artificial Neural Networks trained by Genetic Algorithms has better results than training by Artificial Neural Network solely in all provinces except North Khorasan province. Keywords: Drought, Artificial Neural Network, Genetic Algorithms, Large scale climate signals
