مدلسازی و تعیین پارامترهای مؤثر بر شکلگیری طوفانهای گرد و غبار در شهرستان رفسنجان با استفاده از ماشینهای بردار پشتیبان

word قابل ویرایش
11 صفحه
دسته : اطلاعیه ها
8700 تومان

*** این فایل شامل تعدادی فرمول می باشد و در سایت قابل نمایش نیست ***

مدلسازی و تعیین پارامترهای مؤثر بر شکلگیری طوفانهای گرد و غبار در شهرستان رفسنجان با استفاده از ماشینهای بردار پشتیبان
چکیده
طوفانهای گرد و غبار از جمله رخدادهای طبیعی هستند که در مناطق خشک و نیمـه خشـک و بیابـانی دنیا به فراوانی رخ میدهند. در این پژوهش امکان استفاده از روشهای نوین مـدلسـازی (ماشـینهـای بـردار پشتیبان) و روشهای آماری مرسوم (رگرسیون خطی چند متغیره) برای برآورد تعداد روزهای گرد و غبـاری در شهرستان رفسنجان با استفاده از آمار و اطلاعات طولانی مدت ایستگاه سینوپتیک موجـود در منطقـه، بررسـی شد. همچنین پارامترهای مؤثر بر شکلگیری طوفانهای گرد و خاک در منطقه مورد مطالعه با اسـتفاده از هـر دو روش تعیین شد. برای بررسی کارایی مدلها نیز از برخی شاخصهای آماری نظیـر ضـریب همبسـتگی (r)، میانگین مربعات خطا (MSE) و میانگین خطا (ME) بین مقادیر اندازهگیری شده و برآورد شـده اسـتفاده شـد.
نتایج نشان داد که مدل ماشینهای بردار پشتیبان طراحیشده برای تخمین طوفـانهـای گـرد و خـاک دارای کارایی بسیار بالاتری نسبت روش رگرسیون خطی چند متغیرهی مرسوم بود. مقادیر MSE و r مدل ماشینهای بردار پشتیبان طراحی شده بهترتیب برابر ۰/۶۳ و ۰/۸۸ و برای مدل رگرسیون خطی چند متغیره بهترتیب برابر ۱/۰۴ و ۰/۶۸ بودند. همچنین پارامتر توزیع سرعت باد در هر دو مدل مورد بررسی به عنوان مهمتـرین پـارامتر مؤثر بر وقوع طوفانهای گرد و خاک در شهرستان رفسنجان معرفی شد. بنابراین بهنظر میرسد که بـر اسـاس مقادیرنسبتاً قابل قبول شاخصهای آماری ارزیابی مدل، ماشین های بردار پشتیبان دقت قابل قبولی در بـرآورد و مدلسازی تعداد روزهای گرد و غباری در منطقهی مورد مطالعه داشته باشند.

واژههای کلیدی: طوفانهای گرد و خاک؛ مدلسازی؛ MLR و .SVM

مقدمه
یکی از پدیدههای طبیعی که هرساله به فراوانی به وقوع میپیوندد و موجب خسارتهای زیادی در مناطق خشک و نیمه خشک و بیابانی میشود، بادهای شدید و شکلگیری طوفانهای گرد و غبار است. این طوفانها هر ساله خسارات زیادی را به منابع انسانی وارد میسازند Jamalizadeh) و همکاران .(۲۰۰۸ بر اساس توافق سازمان هواشناسی جهانی، هرگاه سرعت باد به بیش از ۱۵ متر بر ثانیه برسد و مقادیر زیادی از گرد و خاک را به هوا بلند کرده و باعث کاهش دید به کمتر از یک کیلومتر شود، پدیده گرد و غبار نامیده میشود. گرد و غبار میتواند منجر به تغییرات اقلیم در مقیاس جهانی و محلی، تغییر در چرخه زیستی، زمین شناسی، شیمیایی و یا زیست محیطی انسان گردد. غبار اتمسفری مانع از نفوذ نور خورشید شده و میتواند منجر به کاهش تولیدات کشاورزی به میزان ۵ تا ۳۰ درصد گردد.

در زمان ایجاد طوفانهای گرد و غباری، مواد مغذی و مواد آلی خاک از بین رفته که باعث پایین آمدن بهرهوری زمینهای کشاورزی میگردد. در یک پژوهش انجام شده میزان خسارت گرد و غبار بر محصولات جالیزی، ذرت و گندم بین ۱۵ تا ۲۰ درصد پیشبینی گردیده است (ندافی، .(۱۳۸۹ گزارشها همچنین نشان میدهد که حدود ۱۷ درصد از کاهش تولیدات کشاورزی در جهان به دلیل فرسایش خاک بوده است (واعظی، .(۱۳۸۶ بنابراین با توجه به پیامدهای زیست محیطی طوفانهای گرد و غبار، پیشبینی امکان و زمان وقوع این طوفانها برای مدیریت بهینه در کشور ضروری به نظر میرسد. این پژوهش نیز با هدف اصلی مدلسازی تعداد روزهای گرد و غباری در شهرستان رفسنجان با استفاده از آمار و اطلاعات طولانی مدت ایستگاه سینوپتیک موجود در منطقه، انجام شد. مقایسه دقت و قابلیت روشهای نوین مدلسازی (ماشینهای بردار پشتیبان) با روشهای آماری مرسوم (رگرسیون خطی چند متغیره) از دیگر اهداف این پژوهش بود. همچنین مناسبترین ترکیب ورودی از عوامل تأثیرگذار بر پدیده طوفانهای گرد و خاک در هر دو روش تعیین شد.

مواد و روشها
منطقه مورد مطالعه و آمادهسازی دادهها
شهر رفسنجان در شمال غربی استان کرمان واقع شده و از شمال با زرند، از غرب با شهربابک، از جنوب غربی با سیرجان، از جنوب با بردسیر و از شرق به کرمان محدود میشود. این شهر دارای آب و هوای نیمه کویری بوده و دارای تابستانهاینسبتاً گرم و زمستانهایی سرد است. میانگین بارش سالانه ۱۴۵ میلی متر و کمترین دمای ثبت شده در آن -۱۷ و بیشترین دمای ثبت شده ۴۲ درجه سانتیگراد میباشد. این شهر دارای اراضی بیابانینسبتاً وسیعی است که بررسی های انجام شده نشان میدهد که بخش عمدهای از این اراضی بیابانی، تحت تأثیر شدید فرسایش بادی قرارداشته و دارای بالاترین درجه آسیب پذیری و منشأ تولید طوفانیهای گرد و غبار میباشند.
برای انجام این پژوهش از آمار و اطلاعات (دادههای) هواشناسی ایستگاه سینوپتیک شهرستان رفسنجان که بصورت ماهانه توسط سازمان هواشناسی کشور در دوره زمانی ۲۰ ساله از سال ۱۳۶۷ تا ۱۳۸۷ ۱۹۸۹) تا ۲۰۰۹ میلادی) ثبت شدهاند، استفاده گردید. پارامترهای مورد استفاده شامل دمای بیشینه، دمای کمینه، بارندگی، روزهای همراه با پدیده بارندگی (برف و باران)، تعداد روزهای با هوای آرام، جهت باد، توزیع سرعت باد، سمت و سرعت سریعترین باد، میانگین فشار، میانگین فشار بخار اشباع و میانگین رطوبت نسبی در ساعت بود و تعداد روزهای همراه با پدیده گرد و غبار نیز به عنوان خروجی مدلها شبیهسازی شد. دادهها پس از جمعآوری، ابتدا مورد بازنگری و رفع نقص قرار گرفتند و سپس دادههای با توزیع غیرنرمال، نرمال شدند و بر اساس ساختار ورودی به مدلها تهیه و تنظیم شدند.

مدلسازی با رگرسیون خطی چند متغیره (MLR)
رگرسیونهای خطی از جمله روشهای سادهی مدلسازی میباشند که از آنها میتوان برای پیشبینی یک یا چند متغیر پاسخ (وابسته) از مجموعهای از مقادیر متغیرهای پیشبینی کننده (مستقل) استفاده نمود.
رگرسیونهای خطی بهصورت دو متغیره و چند متغیره میباشند که در رگرسیون دو متغیره، یک متغیر مستقل و یک متغیر وابسته وجود دارد. در رگرسیون چند متغیره نیز، یک متغیر وابسته و دو یا چند متغیر مستقل وجود دارد. معادلهی کلی یک رگرسیون خطی چند متغیره بهصورت رابطهی ۱ میباشد:

که در آن، Y متغیر وابسته، X متغیر مستقل و β۱…βn ضرایب رگرسیونی میباشند. مدلسازی رگرسیونی در محیط نرمافزار Clementine 12 و به روش گام به گام۱ انجام شد.
مدلسازی با ماشینهای بردار پشتیبان (SVMs)
ماشینهای بردار پشتیبان (SVMs) از جمله روشهای یادگیری نظارتشونده۲ میباشند که از آنها برای طبقهبندی و رگرسیون استفاده میشود Vapnik)، ۱۹۹۵ و .(۱۹۹۸ الگوریتم SVM نوع خاصی از مدلهای خطی را مییابد که حاشیهی ابر صفحه بیشینه شود. بیشینه کردن حاشیهی ابر صفحه، منجر به حداکثر شدن تفکیک بین طبقات میشود. در واقع، نزدیکترین نقاط آموزشی به حداکثر حاشیهی ابر صفحه را بردارهای پشتیبان مینامند که از آنها برای مشخص کردن مرز بین طبقات استفاده میشود. اگر دادهها بهصورت خطی قابل جداسازی باشند، از ماشینهای خطی برای تولید یک سطح بهینه که دادهها را بدون خطا و با حداکثر
فاصلهی میان صفحه و نزدیکترین نقاط آموزشی (بردارهای پشتیبان) تفکیک مینماید، استفاده میشود.
بهمنظور مفهومسازی چگونگی عملکرد ماشینهای بردار پشتیبان، نقاط آموزشی به صورت رابطه ی ۲ در نظر گرفته شدند:

که در این رابطه، xi بردار ورودی بوده که و yi مقدار مطلوب میباشد که است و n تعدادکل الگوهای دادهای میباشد. اگر دادهها بهصورت خطی قابل تفکیک باشند؛ آنگاه قواعد تصمیمگیری که توسط یک صفحهی بهینه که طبقات تصمیمگیری باینری را تفکیک میکند بهصورت معادلهی زیر خواهد بود:

که در آن، y خروجی معادله، yi ارزش طبقهی نمونهی آموزشی، بردار x=(x1, x2 ,…, xn) نشاندهندهی یک دادهی ورودی و بردارهای (i =1,..,N) Xi، بردارهای پشتیبان هستند. در این معادله، پارامترهای b و ai تعیین کنندهی ابر صفحه هستند.
اگر دادهها بهصورت خطی قابل تفکیک نباشند، معادلهی ۳ به معادلهی زیر تغییر مییابد

که تابع ( K( X , Xi، تابع کرنلی۳ است که برای ایجاد ماشینهایی با انواع مختلفی از سطوح تصمیمگیری غیرخطی در فضای دادهها، ضربهای داخلی تولید میکند Vapnik)، ۱۹۹۵ و .(۱۹۹۸ بهعنوان مثال، سه نوع تابع کرنل که در مدل SVM بهکار میروند، عبارتند از:

الف) ماشین چند جمله ای با تابع کرنل
(۵)
K ( X , X i ) ( X .X i ۱)d که در آن، d درجه ی کرنل چند جمله ای است.
ب) ماشین تابع پایهی شعاعی با تابع کرنل
K( X , X i )  exp( ۱/ ۲ ( X  X i )2 که در آن،  پهنای باند کرنل تابع پایهی شعاعی است.
پ) ماشین دو لایه با تابع کرنل
K( X , X i )  S [( X .X i )] ۱/[۱exp{ v( X .X i ) c ] (7)
که در آن، c و v پارامترهای تابع زیگموییدی S[(X . Xi)] هستند، بهگونهای که نامعادلهی c ≥ v برقرار باشد
Wang)، .(۲۰۰۵ شکل ۱ فرآیند مدل SVM را نشان میدهد. مدلسازی با ماشینهای بردار پشتیبان در این پژوهش در محیط نرمافزار Clementine انجام شد.

این فقط قسمتی از متن مقاله است . جهت دریافت کل متن مقاله ، لطفا آن را خریداری نمایید
wordقابل ویرایش - قیمت 8700 تومان در 11 صفحه
سایر مقالات موجود در این موضوع
دیدگاه خود را مطرح فرمایید . وظیفه ماست که به سوالات شما پاسخ دهیم

پاسخ دیدگاه شما ایمیل خواهد شد