بخشی از مقاله
*** اين فايل شامل تعدادي فرمول مي باشد و در سايت قابل نمايش نيست ***
مدلسازي و تعیین پارامترهاي مؤثر بر شکلگیري طوفانهاي گرد و غبار در شهرستان رفسنجان با استفاده از ماشینهاي بردار پشتیبان
چکیده
طوفانهاي گرد و غبار از جمله رخدادهاي طبیعی هستند که در مناطق خشک و نیمـه خشـک و بیابـانی دنیا به فراوانی رخ میدهند. در این پژوهش امکان استفاده از روشهاي نوین مـدلسـازي (ماشـینهـاي بـردار پشتیبان) و روشهاي آماري مرسوم (رگرسیون خطی چند متغیره) براي برآورد تعداد روزهاي گرد و غبـاري در شهرستان رفسنجان با استفاده از آمار و اطلاعات طولانی مدت ایستگاه سینوپتیک موجـود در منطقـه، بررسـی شد. همچنین پارامترهاي مؤثر بر شکلگیري طوفانهاي گرد و خاك در منطقه مورد مطالعه با اسـتفاده از هـر دو روش تعیین شد. براي بررسی کارایی مدلها نیز از برخی شاخصهاي آماري نظیـر ضـریب همبسـتگی (r)، میانگین مربعات خطا (MSE) و میانگین خطا (ME) بین مقادیر اندازهگیري شده و برآورد شـده اسـتفاده شـد.
نتایج نشان داد که مدل ماشینهاي بردار پشتیبان طراحیشده براي تخمین طوفـانهـاي گـرد و خـاك داراي کارایی بسیار بالاتري نسبت روش رگرسیون خطی چند متغیرهي مرسوم بود. مقادیر MSE و r مدل ماشینهاي بردار پشتیبان طراحی شده بهترتیب برابر 0/63 و 0/88 و براي مدل رگرسیون خطی چند متغیره بهترتیب برابر 1/04 و 0/68 بودند. همچنین پارامتر توزیع سرعت باد در هر دو مدل مورد بررسی به عنوان مهمتـرین پـارامتر مؤثر بر وقوع طوفانهاي گرد و خاك در شهرستان رفسنجان معرفی شد. بنابراین بهنظر میرسد که بـر اسـاس مقادیرنسبتاً قابل قبول شاخصهاي آماري ارزیابی مدل، ماشین هاي بردار پشتیبان دقت قابل قبولی در بـرآورد و مدلسازي تعداد روزهاي گرد و غباري در منطقهي مورد مطالعه داشته باشند.
واژههاي کلیدي: طوفانهاي گرد و خاك؛ مدلسازي؛ MLR و .SVM
مقدمه
یکی از پدیدههاي طبیعی که هرساله به فراوانی به وقوع میپیوندد و موجب خسارتهاي زیادي در مناطق خشک و نیمه خشک و بیابانی میشود، بادهاي شدید و شکلگیري طوفانهاي گرد و غبار است. این طوفانها هر ساله خسارات زیادي را به منابع انسانی وارد میسازند Jamalizadeh) و همکاران .(2008 بر اساس توافق سازمان هواشناسی جهانی، هرگاه سرعت باد به بیش از 15 متر بر ثانیه برسد و مقادیر زیادي از گرد و خاك 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 اتمسفري مانع از نفوذ نور خورشید شده و میتواند منجر به کاهش تولیدات کشاورزي به میزان 5 تا 30 درصد گردد.
در زمان ایجاد طوفانهاي گرد و غباري، مواد مغذي و مواد آلی خاك از بین رفته که باعث پایین آمدن بهرهوري زمینهاي کشاورزي میگردد. در یک پژوهش انجام شده میزان خسارت گرد و غبار بر محصولات جالیزي، ذرت و گندم بین 15 تا 20 درصد پیشبینی گردیده است (ندافی، .(1389 گزارشها همچنین نشان میدهد که حدود 17 درصد از کاهش تولیدات کشاورزي در جهان به دلیل فرسایش خاك بوده است (واعظی، .(1386 بنابراین با توجه به پیامدهاي زیست محیطی طوفانهاي گرد و غبار، پیشبینی امکان و زمان وقوع این طوفانها براي مدیریت بهینه در کشور ضروري به نظر میرسد. این پژوهش نیز با هدف اصلی مدلسازي تعداد روزهاي گرد و غباري در شهرستان رفسنجان با استفاده از آمار و اطلاعات طولانی مدت ایستگاه سینوپتیک موجود در منطقه، انجام شد. مقایسه دقت و قابلیت روشهاي نوین مدلسازي (ماشینهاي بردار پشتیبان) با روشهاي آماري مرسوم (رگرسیون خطی چند متغیره) از دیگر اهداف این پژوهش بود. همچنین مناسبترین ترکیب ورودي از عوامل تأثیرگذار بر پدیده طوفانهاي گرد و خاك در هر دو روش تعیین شد.
مواد و روشها
منطقه مورد مطالعه و آمادهسازي 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 داراي آب و هواي نیمه کویري بوده و داراي تابستانهاينسبتاً گرم و زمستانهایی سرد است. میانگین بارش سالانه 145 میلی متر و کمترین دماي ثبت شده در آن -17 و بیشترین دماي ثبت شده 42 درجه سانتیگراد میباشد. این شهر داراي اراضی بیابانینسبتاً وسیعی است که بررسی هاي انجام شده نشان میدهد که بخش عمدهاي از این اراضی بیابانی، تحت تأثیر شدید فرسایش بادي قرارداشته و داراي بالاترین درجه آسیب پذیري و منشأ تولید طوفانیهاي گرد و غبار میباشند.
براي انجام این پژوهش از آمار و اطلاعات (دادههاي) هواشناسی ایستگاه سینوپتیک شهرستان رفسنجان که بصورت ماهانه توسط سازمان هواشناسی کشور در دوره زمانی 20 ساله از سال 1367 تا 1387 1989) تا 2009 میلادي) ثبت شدهاند، استفاده گردید. پارامترهاي مورد استفاده شامل دماي بیشینه، دماي کمینه، بارندگی، روزهاي همراه با پدیده بارندگی (برف و باران)، تعداد روزهاي با هواي 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 روزهاي همراه با پدیده گرد و غبار نیز به عنوان خروجی مدلها شبیهسازي شد. دادهها پس از جمعآوري، ابتدا مورد بازنگري و رفع نقص قرار گرفتند و سپس دادههاي با توزیع غیرنرمال، نرمال شدند و بر اساس ساختار ورودي به مدلها تهیه و تنظیم شدند.
مدلسازي با رگرسیون خطی چند متغیره (MLR)
رگرسیونهاي خطی از جمله روشهاي سادهي مدلسازي میباشند که از آنها میتوان براي پیشبینی یک یا چند متغیر پاسخ (وابسته) از مجموعهاي از مقادیر متغیرهاي پیشبینی کننده (مستقل) استفاده نمود.
رگرسیونهاي 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. معادلهي کلی یک رگرسیون خطی چند متغیره بهصورت رابطهي 1 میباشد:
که در آن، Y متغیر وابسته، X متغیر مستقل و β1…βn ضرایب رگرسیونی میباشند. مدلسازي رگرسیونی در محیط نرمافزار Clementine 12 و به روش گام به گام1 انجام شد.
مدلسازي با ماشینهاي بردار پشتیبان (SVMs)
ماشینهاي بردار پشتیبان (SVMs) از جمله روشهاي یادگیري نظارتشونده2 میباشند که از آنها براي طبقهبندي و رگرسیون استفاده میشود Vapnik)، 1995 و .(1998 الگوریتم SVM نوع خاصی از مدلهاي خطی را مییابد که حاشیهي ابر صفحه بیشینه شود. بیشینه کردن حاشیهي ابر صفحه، منجر به حداکثر شدن تفکیک بین طبقات میشود. در واقع، نزدیکترین نقاط آموزشی به حداکثر حاشیهي ابر صفحه را بردارهاي پشتیبان مینامند که از آنها براي مشخص کردن مرز بین طبقات استفاده میشود. اگر دادهها بهصورت خطی قابل جداسازي باشند، از ماشینهاي خطی براي تولید یک سطح بهینه که دادهها را بدون خطا و با حداکثر
فاصلهي میان صفحه و نزدیکترین نقاط آموزشی (بردارهاي پشتیبان) تفکیک مینماید، استفاده میشود.
بهمنظور مفهومسازي چگونگی عملکرد ماشینهاي بردار پشتیبان، نقاط آموزشی به صورت رابطه ي 2 در نظر گرفته شدند:
که در این رابطه، xi بردار ورودي بوده که و yi مقدار مطلوب میباشد که است و n تعدادکل الگوهاي دادهاي میباشد. اگر دادهها بهصورت خطی قابل تفکیک باشند؛ آنگاه قواعد تصمیمگیري که توسط یک صفحهي بهینه که طبقات تصمیمگیري باینري را تفکیک میکند بهصورت معادلهي زیر خواهد بود:
که در آن، y خروجی معادله، yi ارزش طبقهي نمونهي آموزشی، بردار x=(x1, x2 ,..., xn) نشاندهندهي یک دادهي ورودي و بردارهاي (i =1,..,N) Xi، بردارهاي پشتیبان هستند. در این معادله، پارامترهاي b و ai تعیین کنندهي ابر صفحه هستند.
اگر دادهها بهصورت خطی قابل تفکیک نباشند، معادلهي 3 به معادلهي زیر تغییر مییابد
که تابع ( K( X , Xi، تابع کرنلی3 است که براي ایجاد ماشینهایی با انواع مختلفی از سطوح تصمیمگیري غیرخطی در فضاي دادهها، ضربهاي داخلی تولید میکند Vapnik)، 1995 و .(1998 بهعنوان مثال، سه نوع تابع کرنل که در مدل SVM بهکار میروند، عبارتند از:
الف) ماشین چند جمله اي با تابع کرنل
(5)
K ( X , X i ) ( X .X i 1)d که در آن، d درجه ي کرنل چند جمله اي است.
ب) ماشین تابع پایهي شعاعی با تابع کرنل
K( X , X i ) exp( 1/ 2 ( X X i )2 که در آن، پهناي باند کرنل تابع پایهي شعاعی است.
پ) ماشین دو لایه با تابع کرنل
K( X , X i ) S [( X .X i )] 1/[1exp{ v( X .X i ) c ] (7)
که در آن، c و v پارامترهاي تابع زیگموییدي S[(X . Xi)] هستند، بهگونهاي که نامعادلهي c ≥ v برقرار باشد
Wang)، .(2005 شکل 1 فرآیند مدل SVM را نشان میدهد. مدلسازي با ماشینهاي بردار پشتیبان در این پژوهش در محیط نرمافزار Clementine انجام شد.
