پیش بینی خشکسالی با نمایه های SPI و EDI به روش مدل سازی ANFIS بر مبنای خوشه بندی C-Mean و SC (مطالعه موردی: استان کهگیلویه و بویر احمد)

Publish Year: 1396
نوع سند: مقاله ژورنالی
زبان: Persian
View: 375

This Paper With 13 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

این Paper در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

JR_AGRIMET-5-1_005

تاریخ نمایه سازی: 18 اسفند 1397

Abstract:

خشکسالی از جمله اصلی ترین و قدیمی ترین بلای طبیعی است که اثرات زیست محیطی مھمی را به دنبال دارد. استان کھگیلویه و بویر احمد علیرغم آنکه از لحاظ میزان بارش مقام سوم را در سطح کشور دارا می باشد، اما خشکسالی ھا به طور متناوب این استان را تحت تاثیر قرار داده و خسارات بسیار سنگینی را به دنبال دارند. یافتن نمایه ھای اندازه گیری خشکسالی برای پیش بینی و ارزیابی مکانی و زمانی این پدیده به منظور مدیریت بحران آن ضروری و حیاتی به نظر می رسد. در این پژوھش با استفاده از مبانی شبکه ھای عصبی مصنوعی (ANN) و مدل عصبی فازی تطبیقی (ANFIS) به ھمراه آنالیز خوشه بندی فازی برای پیش بینی خشکسالی با نمایه بارش استاندارد (SPI) و نمایه خشکسالی موثر (EDI) استفاده گردیده است. نتایج به دست آمده از پژوھش بیانگر آن است که نمایه SPI با ضریب صحت سنجی 0/87 نسبت به نمایه EDI با ضریب صحت سنجی 0/73 قابلیت و دقت بیشتری در پیش بینی خشکسالی دارد و از طرف دیگر راھبرد شبکه عصبی- فازی تطبیقی بر مبنای روش خوشه بندی تکراری (C-Mean) و کاهشی (SC) در امر مدل سازی برای پیش بینی خشکسالی از کارایی بالایی برخوردار است. نتایج نشان می دھد که خوشه بندی باعث افزایش دقت مدل سازی در مرحله صحت سنجی و واسنجی شده است. ھمچنین خوشه بندی تکراری با ضریب واسنجی 0/93 و ضریب صحت سنجی 0/87 بھترین مدل می باشد.

Keywords:

خشکسالی , خوشه بندی فازی , شبکه عصبی-فازی تطبیقی , کهگیلویه و بویر احمد , نمایه های EDI و SPI

Authors

مهدی کماسی

استاد گروه مهندسی عمران، دانشکده فنی و مهندسی، دانشگاه آیت الله بروجردی (ره)، بروجرد، خرم آباد

مهدی ملک محمودی

دانشجوی کارشناسی ارشد مهندسی عمران، دانشکده فنی و مهندسی، دانشگاه یاسوج

حسین منتصری

استادیار گروه مهندسی عمران، دانشکده فنی و مهندسی، دانشگاه یاسوج