بخشی از مقاله
چکیده
در مطالعات منطقهای، به منظور دستیابی به مناطق همگن هیدرولوژیک از تکنیکهای خوشهبندی استفاده میشود اخیراً در چند تحقیق از نگاشت ویژگی خود سامان - SOFM1 - به عنوان یک روش انفورماتیک جدید برای دستیابی به مناطق همگن هیدرولوژیک استفاده شده است. اما مشکل اصلی SOFM تفسیر نقشه خروجی از این روش بهمنظور یافتن مناطق همگن هیدرولوژیک است. به این دلیل از SOFM به عنوان ورودی الگوریتمهای خوشهبندی دیگر بهکار میرود.
در این مطالعه، ابتدا از نگاشت ویژگی خود سامان برای شکلگیری یک نقشه ویژگی دو بعدی استفاده شد، سپس گرههای خروجی از نگاشت ویژگی خود سامان توسط الگوریتم خوشهبندی -cمیانگین فازی برای شکلگیری مناطق مورد نیاز در تحلیل فراوانی منطقهای بیشینه بارندگی سالانه استفاده شد. تعداد بهینه خوشهها براساس شاخص خوشهبندی فازی تعیین شد. نتایج نشان داد که این تکنیک کارایی قابل قبولی در دستیابی به مناطق همگن هیدرولوژیک دارد.
- 1 مقدمه
در هیدرولوژی برآورد فراوانی و بزرگی مقادیر حدی طبیعی مانند سیلاب، جریان کمینه و حداکثر بارندگی اهمیت فراوانی دارد. به دلیل نادر بودن مقادیر حدی و کوتاه بودن طول دوره آماری، تخمین فراوانی وقوع این حوادث دشوار است، بنابراین از تحلیل فراوانی منطقهای برای تخمین واقع بینانهی چندکها2 استفاده میشود. در روش تحلیل فراوانی منطقهای، باید ایستگاهها به مناطق همگن اختصاص یابند، زیرا همگنی منطقه برای اطمینان از قابل اعتماد بودن تحلیل منطقهای الزامی است
زمانی که در منطقه تعداد ایستگاههای زیادی برای تحلیل فراوانی منطقهای وجود داشته باشد، شناسایی مناطق همگن هیدرولوژیکی دشوار میباشد. به این دلیل هیدرولوژیستها از تحلیل خوشهای برای دستیابی به مناطق همگن هیدرولوژیک استفاده میکنند. روشهای خوشهبندی متعددی برای طبقهبندی حوزههای آبخیز ارائه شده است. از جمله این روشها میتوان به خوشهبندی میانگین k - بارن و گوول، - 2000 و خوشهبندی سلسله مراتبی تراکمی - هاسکینگ و والیس، - 1997 و خوشهبندی هیبرید - رائو و اسرینیواس، - 2006 اشاره نمود.
الگوریتم نگاشت ویژگی خود سامان - کوهونن، - 1982 یک مدل اکتشافی برای مجسم ساختن و کشف روابط خطی و غیر خطی در مجموعه دادهها با ابعاد زیاد است. SOFM کاربرد زیادی در کارهای صنعتی مانند شناسایی گفتار، مدل سازی زیستی، فشرده سازی دادهها، پردازش سیگنال و داده کاوی دارد - کوهونن، - 2001اخیراً. نگاشت ویژگی خود سامان به عنوان یک ابزار انفورماتیک مدرن در شناسایی مناطق همگن هیدرولوژیک بهکار رفته است.
هال و مینس - 1999 - از SOFM برای منطقهای کردن ایستگاههای آبسنجی در جنوب غربی انگلستان و ولز با استفاده از پنج خصوصیت هر حوزه استفاده کردند. آنها نرونهای خروجی از SOFM را به سه گروه مشخص به منظور دستیابی به سه منطقهی همگن تقسیم کردند.
لین و وانگ - 2006 - یک روش تک مرحلهای را برای انجام تحلیل خوشهای براساس SOFM ارائه کردند. آنها این روش را برای فاکتورهای هیدرولوژیکی تاثیر گذار در منحنیهای مدت جریان کمینه در جنوب تایوان به کار بردند. جینگیی و هال - 2004 - روشهای خوشهبندی وارد، خوشهبندی فازی و شبکه عصبی کوهونن را برای طبقهبندی حوزهی رودخانه گان-مینگ در جنوب شرق چین بکار بردند. نتایج آنها نشان داد که شبکه عصبی کوهونن نسبت به دو روش دیگر از تواناییهای بیشتری در تعیین زیر منطقههای همگن هیدرولوژیک برخوردار است.
لین و چن - 2006 - از الگوریتم SOFM برای خوشهبندی 154 ایستگاه باران-سنجی در تایوان به منظور تحلیل فراوانی منطقهای استفاده کردند. آنها از 17 خصوصیت حوزههای آبخیز برای خوشهبندی استفاده کردند و اندازه نقشه خروجی را به منظور مطمئن شدن از حداکثر تعداد خوشه، 12×12 انتخاب کردند و در نهایت منطقه مورد بررسی را به 8 خوشه همگن تقسیم کردند. آنها خوشههای بدست آمده از SOFM را با دو الگوریتم سنتی وارد و میانگین k مقایسه کردند و دریافتند که SOFM نسبت به دو روش دیگر توانایی بیشتری برای شناسایی مناطق همگن دارد.
هرچند SOFM در خوشهبندی حوزههای آبخیز به نواحی همگن هیدرولوژیک با موفقیت استفاده شده است، اما تجزیه و تحلیل نقشه خروجی SOFM دشوار است. به طور کلی این الگوریتم به ندرت خوشههای واضحی در خروجی نشان میدهد. به منظور حل این مشکل پژوهشگران راهکارهای متفاوتی ارائه کردند. لامپینن و اوجا - 1992 - یک الگوریتم دو مرحلهای ارائه کردند که خروجی SOFM اول را در ورودی SOFM دوم تغذیه شد. آزمایشات آنها روی دادههای طبیعی و مصنوعی نشان داد که الگوریتم SOFM ترکیبی از قابلیت بیشتری نسبت به الگوریتم میانگین k کلاسیک و SOFM معمولی برای تفکیک کلاسهای مختلف دادهها برخوردار است.
وسانتو و الهونیمی - 2000 - از الگوریتم خوشهبندی سلسله مراتبی و میانگین k برای خوشهبندی خروجی SOFM استفاده کردند. آنها مهمترین مزیت مدل ارائه شده راکاهش نسبتاً زیاد بارگذاری انجام شده بوسیله الگوریتمها، امکان خوشه-بندی مجموعه دادههای بزرگ و بررسی چندین استراتژی پردازش متفاوت در زمان محدود اعلام کردند. اسرینیواس و همکاران - 2007 - از روش ترکیبی خوشهبندی SOFM و خوشهبندی فازی برای شناسایی مناطق همگن هیدرولوژیک در حوزههای آبخیز ایندیانا در ایالات متحده آمریکا استفاده کردند و منطقه مورد مطالعه را به 7 خوشه همگن تقسیم کردند.
در این مقاله، از یک تکنیک خوشهبندی دو مرحلهای برای منطقهای کردن غرب ایران استفاده شده است. در مرحله اول، از SOFM برای شکلدهی نقشه ویژگی دو بعدی استفاده شد. سپس گرههای خروجی از SOFM با استفاده از الگوریتم -c میانگین فازی - FCM - 1 خوشهبندی شد. در مرحله بعد پس از تعدیل همگنی مناطق بدست آمده از خوشهبندی، تابع توزیع منطقهای برای هر یک از مناطق همگن بدست آمد.
2 -مواد و روشها
1-2 منطقه مورد مطالعه
منطقه مورد مطالعه ایستگاههای بارانسنجی واقع در غرب ایران میباشند - شکل. - 1 برای تحلیل آماری ایستگاههای باران-سنجی منطقه، ابتدا از طریق سازمان هواشناسی آمار بارندگی منطقه مورد مطالعه تهیه شد. سپس با توجه به رعایت حداقل طول دوره آماری مورد نیاز، تعداد 48 ایستگاه برای ادامه مطالعات مورد استفاده قرار گرفت
شکل -1 منطقه مورد مطالعه و ایستگاههای بارانسنجی منتخب
جدول شماره -1 برخی پارامترهای ایستگاههای بارانسنجی منطقه مورد مطالعه
