منطقه‌بندي حوزه‌هاي آبخيز با استفاده از تركيب نگاشت‌هاي خود سازمانده و الگوريتم فازي c-means

Regionalization of watersheds by combining of self-organizing ‎feature maps and fuzzy C-Means algorithm

روش‌­هاي تحليل خوشه­‌اي گونه­‌اي از كارآمدترين روش­‌هاي منطقه­‌بندي حوزه­‌هاي آبخيز به­‌منظور انجام تحليل فراواني منطقه­‌اي سيلاب هستند. منطقه­‌بندي فازي، نوعي منطقه­‌بندي است كه در آن هر يك از سايت­‌هاي مورد مطالعه مي‌تواند هم­زمان به بيش از يك منطقه اختصاص يابد. به­‌منظور اجراي منطقه­‌بندي فازي، گونه­‌اي از الگوريتم­‌هاي تحليل خوشه­‌اي به­‌نام الگوريتم­‌هاي خوشه­‌بندي فازي به­‌كار گرفته مي­‌شوند كه مرسوم­‌ترين آن­‌ها الگوريتم خوشه­‌بندي فازي c-means است. همچنين، نگاشت­ه‌اي مشخصه خود­ سازمانده، يكي از انواع شبكه­‌هاي عصبي مصنوعي هستند كه در زمينه­‌هاي تشخيص الگو كاربرد قابل توجهي پيدا كرده­‌اند. قابليت اين نوع از شبكه­‌ها در تشخيص الگو و خوشه­‌بندي داده­‌ها با استفاده از ويژگي­‌هاي آن­‌ها موجب شده است كه عده­‌اي از محققان علم هيدرولوژي به آزمودن توانايي اين نگاشت­‌ها در زمينه منطقه­‌بندي حوزه­‌هاي آبخيز به­‌منظور اجراي تحليل فراواني منطقه­‌اي روي آورند. در مطالعه حاضر از نگاشت­‌هاي خود ­سازمانده براي تعيين مراكز اوليه خوشه­‌ها در الگوريتم فازي c-means به­‌منظور منطقه­‌بندي حوزه آبخيز سفيدرود بزرگ استفاده شده است. نتايج به­‌دست آمده در اين پژوهش نشان داد كه اين روش در حوزه مورد مطالعه، از نظر تشكيل مناطق همگن و ارايه برآورد­هاي مناسب در تحليل فراواني منطقه­‌اي سيلاب با استفاده از الگوريتم گشتاور­هاي خطي، عملكرد قابل قبولي دارد. افزون بر اين، مشاهده شد كه استفاده از خوشه­‌بندي فازي مي‌تواند برآورد­هاي قابل اعتماد سيلاب را براي دوره­‌هاي بازگشت طولاني­‌تر امكان­‌پذير كند. همچنين، بر اساس شاخص­‌هاي صحت خوشه­‌بندي فازي به نظر مي­‌رسد كه تعداد دو يا سه منطقه براي اجراي تحليل فراواني منطقه­‌اي در اين آبخيز مناسب است.

Cluster analysis methods are one of the most efficient approaches of regionalization of ‎watersheds for Regional Flood Frequency Analysis (RFFA). Fuzzy regionalization is a ‎kind of regionalization in which each site of interest may be assigned to more than one ‎region simultaneously. In order to perform regionalization, a variety of cluster analysis ‎algorithms named fuzzy clustering are used that fuzzy c-means algorithm is most well-‎known of them. Also Self-Organizing Feature Maps (SOFM) are a special class of ‎Artificial Neural Networks (ANN) that has found several applications in the areas of ‎pattern recognition. Capability of this class of networks in areas of pattern recognition and ‎data clustering using their attributes has make some hydrologist interested in testing ability ‎of these maps for regionalization of watersheds in order to perform regional flood ‎frequency of analysis. In this study self-organizing feature maps have been used to ‎determine initial centroids of clusters in fuzzy c-means algorithm for regionalization of ‎Sefidrood watershed. Results of this study showed that this approach has an acceptable ‎performance in formation of homogeneous regions and providing suitable estimates in ‎regional flood frequency analysis using L-moment algorithm in interested watershed. ‎Furthermore it is observed that fuzzy clustering may provide longest reliable flood ‎estimates. Also based on fuzzy clustering validity measures it’s seemed that two or three ‎regions is appropriate number of regions for regional flood frequency analysis in this ‎watershed.‎