پديد آورندگان :
عابديني، الهام نويسنده دانشجوي كارشناسي ارشد هواشناسي كشاورزي، دانشگاه فردوسي مشهد، مشهد، ايران. , , موسوي بايگي ، محمد نويسنده استاد گروه مهندسي آب، دانشگاه فردوسي مشهد، مشهد، ايران. , , انصاري ، حسين نويسنده استاديار گروه مهندسي آب، دانشگاه فردوسي مشهد، مشهد، ايران. ,
كليدواژه :
Feed forward model , Gradient descent model , Perceptron model , مدل گراديان نزولي , مدل پرسپترون
چكيده فارسي :
خشكسالي در بين بلاياي طبيعي از نظر شدت، مدت و خسارت در رتبه اول قرار دارد. براي تخمين خشكسالي به دليل ديناميك پيچيده حاكم بر آن لازم است از مدل هاي ديناميكي كه در آن فرآيندهاي حاكم بر پديده خشكسالي درنظر گرفته مي شود، استفاده كرد. مدل هاي شبكه عصبي مصنوعي از جمله اين مدل ها مي باشندكه قادرند روابط ميان ورودي ها و خروجي هاي يك سامانه فيزيكي را كه توسط شبكه اي از گره ها كه همگي با هم متصل هستند، تعيين نمايند. اين پژوهش براي پيش بيني پديده خشكسالي در ايستگاه سينوپتيك شهر مشهد با استفاده از مدل هاي پرسپترون و گراديان نزولي با الگوريتم هاي آموزش مومنتوم و گراديان نزولي انجام شد. متغيرهاي ورودي مدل براي نمايه SPI شامل بارندگي، نمايه بزرگ مقياس اقليميSOI و NAO در فاصله زماني1951 الي2007 و خروجي شبكه نيز نمايه SPI در تاخيرهاي زماني و متغيرهاي ورودي براي نمايه PDSI شامل بارندگي، SOI، NAO و دما در فاصله زماني1951 الي2007 و خروجي شبكه نمايه PDSI در تاخيرهاي زماني متفاوت مي باشد. براي مدل نمودن نمايه SPI از داده هاي 57 سال بارندگي ايستگاه سينوپتيك شهر مشهد استفاده شدكه 46 سال آن براي آموزش شبكه و مابقي(11 سال) براي آزمون شبكه مورد استفاده قرار گرفت و براي مدل كردن نمايه PDSI از52 سال داده آماري، 33 سال داده براي آموزش شبكه، 9 سال براي اعتبار سنجي و 10 سال باقيمانده نيز براي آزمون شبكه با استفاده از نرم افزار Nero Solutions5 انجام شد. همچنين به منظور بررسي ارتباط ENSO با بارش هاي ايستگاه سينوپتيك مشهد از روش رگرسيون استفاده شد. بررسي نتايج نشان داد مقادير نوسانات جنوبي تاثير اندك و مقادير نوسانات اطلس شمالي داراي عدم تاثير روي بارندگي هاي ايستگاه سينوپتيك مشهد هستند. وقوع پديده انسوي قوي در جهان بر روي بارندگي هاي ايستگاه سينوپتيك مشهد تاثير گذاشته،لانينا باعث خشكسالي در سال بعد از وقوع آن و موجب كاهش بارندگي در اين ايستگاه شده و وقوع فاز گرم انسو موجب افزايش بارندگي در فصل زمستان و كاهش بارندگي در ديگر فصول مي گردد. به علت زياد بودن دامنه تغييرات بارندگي در مقياسهاي1، 2 و 3 ماهه دقت نتايج پيش بيني شده توسط اين سري هاي زماني بسيار كم است و با افزايش مقياس زماني نمايه، دامنه تغييرات بارندگي نيز كاهش مي يابد و بر دقت نتايج افزوده مي شود. همچنين مدل هاي پرسپترون و پيشخور عمومي داراي عملكرد خوبي در پيش بيني خشكسالي هستند، به طوري كه معيارهاي عملكرد 78/=0R2 براي پيش بيني SPI 18 ماهه و76/=0R2 براي پيش بيني PDSI گوياي اين مطلب مي باشند
چكيده لاتين :
Drought, among the natural calamities, has the first rank in the view of severity, duration, and damage. To estimate the drought, it is necessary to use dynamic models in which the dominant processes on drought phenomenon are considered. Artificial neural networks models are dynamic models which are able to determine the relation of the inputs and outputs of a physical system joining together through nods. This research was performed to predict drought phenomenon in Mashhad synoptic station using perceptron and gradient descent with momentum training algorithm and gradient descent. The model input variables for SPI index consist of precipitation, climate large-scale index of SOI and NAO during 1951- 2007, and network output is SPI index in time delays; and input variables for PDSI index include precipitation, SOI, NAO and temperature during 1951- 2007, and the network output is PDSA index in different time delays. For modeling the SPI index, 57-year rainfall data of Mashhad synoptic station was used, of which 46 years were used for the network training and the rest (11 years) for the network testing. To model PDSI, 52-years statistical data was utilized; 33years for the network training and 9 years for validation and the rest 10 years for the network testing, by using Nero Solutions5 software. Also, for investigating the relation of ENSO with the precipitation of Mashhad synoptic station, regression method was used. Results showed that the southern fluctuations have small effect on this station precipitation and the northern atlas fluctuations have no effect on them. Occurrence of strong ENSO phenomenon in the world has affected the precipitations of Mashhad synoptic station, and the year after that, la Nina caused drought and low rainfall in this station. Occurrence of ENSO warm phase leads to increase in winter rainfall and lower rainfall in other seasons. Because of wide range of rainfall changes in time spans of 1, 2, and 3 months, the accuracy of predicted results by these time series is very low and by increasing of index time scale, the range of precipitation changes decreases while the results accuracy increases. The models of perceptron and feed forward operate well in predicting drought. Operation criteria R2= 0.78 for predicting 18-month SPI, and R2= 0.76 for predicting PSDI reflect this fact.
