بخشی از مقاله
*** این فایل شامل تعدادی فرمول می باشد و در سایت قابل نمایش نیست ***
پايش و پيش بيني خشکسالي استان سمنان با استفاده از شاخص خشکسالي SPI ، زنجيره مارکوف، شبکه عصبي مصنوعي ANN و GIS
چکيده
خشکسالي وضعيتي از کمبود بارندگي و افزايش دماسـت کـه در هـر وضـعيت اقليمـي ممکـن اسـت رخ دهـد. بـراي تخمـين خشکسالي به دليل ديناميک پيچيده حاکم بر آن لازم است از مدلهـاي دينـاميکي کـه در آن فرآينـدهـاي حـاکم بـر پديـده خشکسالي در نظر گرفته مي شود، استفاده کرد. مدل هاي شبکه عصبي مصنوعي از جمله اين مدلها مي باشد که قادرند روابـط ميان وروديها و خروجي هاي يک سامانه فيزيکي را که توسط شبکه اي از گره ها که همگي باهم متصل هستند، تعيـين نمايـد.
شاخص بارندگي استاندارد شده SPI يکي از معدود شاخص هايي است که در آن مقياس زماني براي پايش دوره خشک مـدنظر قرار گرفته است . نمايه SPI به علت سادگي محاسبات، استفاده از دادههاي قابل دسترس بارندگي ، قابليـت محاسـبه بـراي هـر مقياس زماني دلخواه و قابليت بسيار زياد در مقايسه مکاني نتايج به عنوان مناسب ترين نمايه بـراي تحليـل خشکسـالي بـويژه تحليل هاي مکاني شناخته مي شود. در ميان روشهاي آماري زنجيره مارکف در علوم جوي در سالهاي اخير مورد توجه جدي قرار گرفته است . زنجيره مارکوف با روش ساده رياضي مانند( ضريب ماتريس ها) حل احتمالات مربوط به فرآيندهاي وابسـته را بسيار آسان نموده است . مدل زنجيره مارکف در علوم مختلفي مانند هواشناسي ، اقليم شناسي ، اقتصاد و صنعت کاربرد وسـيعي دارد. در اين پژوهش براي پيش بيني پديده خشکسالي در استان سمنان با استفاده از معادله SPI داده هاي واقعي بـارش بـه ار قام SPI تبديل شده سپس با استفاده از مقياس طبقه بندي شدت ترسالي و خشک سالي دومارتين شـروع بـه طبقـه بنـدي و تعيين خصوصيات آماري بارش در ايستگاه هاي مورد مطالعه گرديد. سپس داده هـا پـس از نرمـال شـدن بـا اسـتفاده از روش شبکه عصبي مصنوعي ( ANN) در نرم افزار متلب با ترکيب ٧٠-٣٠ جهـت آمـوزش و پـيش بينـي بـه کارگرفتـه شـدند. داده ورودي براي پيش بيني بارش و و SPI ها در نظر گرفته شدند. روش انتخاب نرونهاي لايه پنهان به صـورت I ،I ٢ ، ١+ I٢ هشتاد درصد داده ها براي آموزش و بيست درصد براي Validation (صحت سنجي ) در نظر گرفته شد معيار ارزيـابي کار هم RMSE (ميانگين مجذور خطا) و R٢ (ضريب همبستگي ) بود. که الويت را به داده هاي با خطاي کمتر داديم بـا توجـه به معيار ارزيابي ذکر شده براي ANN بهترين مدل از بين مدلهاي شبکه عصبي انتخاب شد و پس از انتخاب بهتـرين مـدل پيش بيني خشکسالي براي دو سال انجام شد(١٣٨٩-١٣٩٠). در نهايت SPI ٢٤ ماه براي پيش بيني با روش زنجيره مارکف به سالانه تبديل شدند و به عنوان ورودي مدل زنجيـره مـارکف در نظـر گرفتـه شـدند و خشکسـالي بـراي دو سـال پـيش بينـي شد(١٣٨٩-١٣٩٠) و نتايج به دست آمده با هر سه مدل در نرم افزار GIS محيط Arc map اجرا شدند. نتايج حاصل از هر سه مدل نشان داد که در سرتاسر استان سمنان شديدترين خشکسالي ها به ترتيب در سال هاي ١٣٨٧ شهرود در مقياس ١٢ ماهه ١٣٨٨ شهرود در مقياس ٦ ماهه دامغان ١٣٥٥در مقياس ٣ ماهه مي باشد.
١- مقدمه
خشکسالي در بين بلاياي طبيعي از نظر شدت، مدت و خسارت در رتبـه اول قـرار دارد(عابـديني و همکـاران، ١٣٩٣). بلايـاي طبيعي نظير سيل ،رعد و برق، خشکسالي و غيره بخشي از محيط اطراف ما را تشکيل مي دهنـد. ايـن بلايـا همـواره بـر زنـدگي انسان تاثير منفي داشته و در بيشتر موارد آسيب هاي جبران ناپذير را در پي دارند. بر اساس بررسـي هـاي انجـام شـده، امـروزه تعداد و موارد وقوع اين حوادث نسبت به ٣٠ سال گذشته افزايش يافته است . حدود ٢٥ در صد از آنها رخدادهاي مي باشند کـه به نحوي با عوامل جوي مرتبط هستند. در ميان اين پديده ها خشکسالي يکي از مهمترين و شايد تـاثير گـذارترين آنهـا باشـد، چرا که گستردگي آن در برخي از موارد مرز قاره ها را نيز در نورديده است (شکري کوچک، س. و ع، بهنيا، ١٣٩٢). بـر اسـاس مطالعات طرح جامع آب کشور، ريزشهاي جوّي (بيش از ٤١٣ ميليارد مترمکعـب )، منشـأ اصـلي منـابع آب ايـران را تشـکيل مي دهد. از اين ميزان، حدود ٧١ درصد آن به صورت تبخير از دسترس خارج شده و تنها بخشـي از آن (معـادل ٨٨/٥ ميليـارد مترمکعب ) جهت مصارف بخش هاي کشاورزي، صنعت ، معدن و شُرب برداشت شده است . ذکر اين نکته ضروري اسـت بـه رغـم آنکه ٩٤ درصد اين مصارف، تنها به بخش کشاورزي اختصاص مي يابد (وزارت نيرو، ١٣٧٧)، ليکن به دليل محدوديت منابع آب، از حدود ٣٧ ميليون هکتار اراضي مستعد کشاورزي، فقط ٧/٨ ميليـون هکتـار بـه صـورت آبـي کشـت مـي شـود (شاهنوشـي و هکاران،١٣٨٨). استفاده از روش زنجيره مارکف به دليل توانمنديهاي آن در محاسبه دوره هاي تر و خشک و همچنـين سـاده کردن حل بسياري از مسائل احتمالات مربوط به فرآيندهاي وابسته داراي سابقه طولاني است . از ايـن مـدل در علـوم مختلـف نظير هواشناسي ، کشاورزي، اقليم شناسي ، منـابع طبيعـي هيـدرولوژي و..... اسـتفاده زيـادي شـده اسـت (عليجاني و همکـاران
١٣٩٠). نمايه SPI به علت سادگي محاسبات، استفاده از داده هاي قابل دسترس بارندگي ، قابليت محاسبه بـراي هـر مقيـاس زماني دلخواه و قابليت بسيار زياد در مقايسه مکاني نتايج به عنوان مناسب ترين نمايه براي تحليل خشکسالي بـه ويـژه تحليـل هاي مکاني شناخته مي شود (هايز و همکاران،١٩٩٩؛رضيئي و همکاران ، ١٣٨٦) .سيستم هـاي پـايش در تـدوين طـرح هـاي مقابله با خشکسالي و مديريت آن از اهميت زيادي برخوردارند. به اين منظور از شاخص هاي خشکسالي بـراي بيـان کمـي ايـن پديده استفاده مي شود. در دهه هاي اخير با توجه به ماهيت غيرخطي پديدهها، شبکه هاي عصبي مصنوعي بيشـترين توانـايي را در مدلسازي و پيش بيني سري هاي زماني در هيدرولوژي و مهندسي منـابع آب نشـان داده است (ميشـرا و ديسـاي، ٢٠٠٦؛ عيوضي و همکاران ، ١٣٨٨). شبکه هاي عصبي مصنوعي که اغلب شبکه هاي عصبي خوانـده مـي شـود بـه عنـوان يـک مـدل تشخيص روند هاي ناپارامتري و غير خطي مي تواند روابط غير خطي پيچيده يا لايه هـاي پنهـان بـين متغييـر هـاي وابسـته و مستقل را پيدا کند و با دقت بهتري نسبت بـه روش هـاي آمـاري از جملـه روش رگرسـيوني عمـل نمايـد(کراس و همکـاران، ١٩٩٥). از مزاياي استفاده از شبکه عصبي مصنوعي مي توان به موارد زير اشاره نمود :١- در اين نوع شبيه سـازي حتـي وقتـي مجموعه آموزش داراي اغتشاش و خطاي اندازه گيري است ، شبکه عصبي قادر به ارائه نتايج خوبي خواهد بود. ٢- اگر تغييـري در شرايط محيطي در طي زمان رخ دهد، شبکه عصـبي بـا تنظـيم پـارامتر هـاي جديـد قـادر بـه ارايـه نتـايج جديـد خواهـد بود(ASCE٢٠٠٠؛عيوضي و همکاران ، ١٣٨٨). در زمينه خشکسالي مطالعات زيادي صورت گرفته از جمله در خارج از کشور:. (اسپربر، ١٩٨٦) ويژگي هاي بارش را در دورههاي طولاني خشکسالي در ايسلند بـا دادههـاي بـارش سـاعتي بـه مـدت ٦ سـال واکاوي کرد . (ايگلسياس١ و همکاران، ٢٠٠٣)، پيامدهاي اقتصادي خشکسالي هيدرولوژيکي بر بخش آبياري در سـه منطقـه از کشور اسپانيا را طي دوره زماني ٩٧-١٩٩١ بررسي نمودند. بر اساس نتايج ، کشاورزاني از بالاترين ظرفيت تطبيق با خشکسـالي برخوردار بودند که از طريق ذخيره آب در سال هاي قبل ، بـا عرضـه محـدود آب طـي دوره خشکسـالي مواجـه نبودنـد. (پـک٢ ،٢٠٠٦) در رساله دکتري خود با عنوان «اقتصاد آمادگي و پاسخ به خشکسالي در کشت آبي » به منظور بررسي ماهيـت آمـادگي و پاسخ بهينه خشکسالي ، از يک الگوي برنامه ريزي رياضي با بهرهگيري از جنبـه تصـادفي و پويـاي يـک سيسـتم کشـت آبـي استفاده نمود. نتايج حاصل از الگو نشان داد که خشکسالي اثر متفـاوتي را حتـي در مـزارع همگـن ايجـاد مـي نمايـد و در يـک سيستم کشت با پويايي بين سالي ، اثرات خشکسالي در يک سال مـي توانـد اثـر خشکسـالي سـالهـاي آتـي را فزونـي بخشـد.
همچنين ، تأثير مهم و اصلي نااطميناني از عرضه آب، متروک قرار دادن زمين هاي آمادهشده براي کشت در فصل پاييز مي باشد. به اعتقاد( ويلهايت ٣ ،٢٠٠٣)، کشورهاي مستعد خشکسالي مي بايست سياست هاي مّلـي خشکسـالي و برنامـه هـاي آمـادگي در مقابل اين پديده را با تأکيد بر مديريت ريسک نسبت به رهيافت سنّتي مديريت بحران کـه وابسـتگي بـه دولـت و کمـکهـاي سايرين را افزايش مي دهد، توسعه دهند. (گاتام٢٠٠٦،٤) معتقد اسـت ، حرکـت از مـديريت بحـران بـه مـديريت ريسـک امـري ضروري است و اقدامات پيشگيرانه براي کاهش ريسک خشکسالي در بلندمدت مـي تواننـد بـه شناسـايي مشـکلات مربـوط بـه تخريب محيط زيست ، آبياري و نيز درک بهتر اثرات تغيير اقليم و نحوه برخورد با آنها کمک نمايند. (وايد و همکاران، ١٩٩٨) با استفاده از اين مدل به برآورد مکاني دوره هاي خشک و مرطوب دست زدند، و در نهايت براساس همين دوره هاي تر و خشـک اقليم شبه جزيره اسپانيا را طبقه بندي کرده اند. در داخل کشور نيز (عليجاني و همکاران ، ١٣٨٤) تحليل و پيش بينـي بـارش هاي لرستان را با استفاده از ايـن مـدل انجـام دادنـد. (ميرابوالقاسـمي و مريـد،١٣٨٠) در مطالعـه اي بـا عنـوان «طـرح جـامع خشکسالي ، حلقه گمشده در برنامه ريزي مـديريت منـابع آب ايـران»، اظهـار داشـتند، اثـر متقابـل رشـد جمعيـت و تغييـرات هيدرولوژيکي بر افزايش مصرف و کاهش توليد آب و ناديدهگرفتن خشکسالي در مطالعات و برنامه ريزيهاي قبلي کشور، اتخـاذ عزم مّلي و برنامه ريزي منسجم و کوتاهمدت در اين زمينه را به ضرورتي اجتنابناپذير تبديل نموده است . (فرجزاده، ١٣٨٣)، در بررسي راهکارهاي کاهش اثرات خشکسالي در ايران بيان داشت که جبران خسارتها به راحتـي و در کوتـاه مـدت امکـانپـذير نبوده و نيازمند فرصت ها، تلاشها و سرمايه گذاريهاي کلاني مي باشد. به اعتقاد وي مي بايست برنامه ريزيها در راسـتاي نـوعي همزيستي با پديده خشکسالي صورت گيرد.
موقعيت جغرافياي منطقه مورد مطالعه
استان سمنان با وسعتي برابر ٩٧٤٩١ کيلو متر مربع ٥/٨ در صد از مساحت کشور را به خود اختصاص داده است . اين اسـتان از ٣٤درجه و١٣ دقيقه تا ٣٧ درجه و ٢٠ دقيقه عرض شمالي و از ٥١ درجه و ٥١ دقيقه تا ٥٧ درجـه و ٣ دقيقـه طـول شـرقي واقع شده است ( شکل شماره ١).
٣- مواد و روش ها
شاخص SPI
اين شاخص در سال ١٩٩٣ براي اولين بار توسط مک کي و همکاران به منظور پايش خشکسالي ها در ايالات کلـرادو و آمريکـا مورد استفاده قرار گرفت . اين شاخص نسبتا ساده و عملا قابل استفاده براي تمامي انواع منابع آبي اعم از کوتاه مدت و طـولاني مدت مي باشد. در روش SPI براي پايش خشکسالي ، از مقياس هاي زماني متعـددي اسـتفاده مـي شـود. اسـاس ايـن شـاخص انحراف از ميانگين نسبت به انحراف معيار داده هاي آماري است . به عبارت ديگر در اين روش علاوه بر انحراف از ميانگين بارش هاي رخ داده در طي يک دوره اماري، انحراف معيار داده ها نيز مورد استفاده است ، به طوري که نسبت اختلاف ميانگين جامعه يا نمونه از مقدار بارندگي هر سال آماري به انحراف معيار جامعه يا نمونه محاسبه مي شـود. شـاخص اسـتاندارد شـده بـارش از طريق رابطه شماره (١) محاسبه مي شود.
در رابطه شماره ١، SPI شاخص استاندارد شده بارش براي يک دوره معين ، Xiبارنـدگي هـر ايسـتگاه متوسـط بارنـدگي در همان ايستگاه و انحراف معيار بارش در همان ايستگاه مي باشد.
اهمييت SPI در نياز اطلاعاتي کم ، محاسبه نسبتا آسان ان مي باشد. از طرفي قابليت پايش نزديک به زمان واقعي اين شـاخص را در موقعيت نسبتا مناسبي قرار داده است ، علاوه بر آن محاسبه SPI را در مقياس هاي زماني مختلف ، انجام پذير است .
مک کي و همکاران(١٩٩٣) از نتايج حاصله از SPI، يک سيستم طبقه بندي را براي تعريف شدت خشکسالي معرفي کردند.
در نهايت در مقاله حاضر با استفاده از معادله شماره (١)SPI هاي استان سمنان محاسبه شد(نمودار هاي شماره ١ تا ٥).
شبکه هاي عصبي مصنوعي
(Artificial Neural Network-ANN) يا به زبان ساده تر شبکه هاي عصبي ، سيسـتم هـا و روش هـاي محاسـباتي نـويني هستند. براي ياد گيري ماشيني ، نمايش دانش ، ودر انتها اعمال دانش به دست آمده در جهت پيش بيني پاسخ هاي خروجـي از سامانه هاي پيچيده. ايده اصلي اين گونه شبکه ها (تا حدودي ) الهام گرفتـه از شـيوه کـارکرد سيسـتم عصـبي زيسـتي ، بـراي پردازش داده ها و اطلاعات به منظور يادگيري و ايجاد دانش قرار دارد. اين سيستم از شمار زيادي عناصر پـردازش فـوق العـاده بهم پيوسته به نام نرون تشکيل شده که براي حل يک مسئله باهم هماهنگ عمل مي کنند و توسـط سـيتاپس هـا (ارتباطـات الکترونيکي ) اطلاعات را منتقل مي کنند. با استفاده از دانش برنامه نويسي رايانه مي تـوان سـاختار داده اي طراحـي کـرد کـه همانند يک نرون عمل نمايد سپس با ايجاد شبکه اي از اين نرون هاي عصبي به هم پيوسته ، ايجاد يک الگوريتم آموزشي بـراي شبکه و اعمال اين الگوريتم به شبکه آن را آموزش داد. اولين کوشش ها در شبيه سازي با استفاده از يک مدل منطقـي توسـط مک کلوک و والتر پيتز انجام شد که امروز بلوک اصلي سازنده اکثر شبکه هاي عصبي مصنوعي است . عملکرد اين مدل مبينـي بر جمع ورودي هاي و ايجاد خروجي است . چنانچـه حاصـل جمـع ورودي هـا از مقـدار آسـتانه بيشـتر باشـد اصـطلاحاً نـرون برانگيخته مي شود. درسال ١٩٥٨ شبکه پرسپرون توسط روزنبلات معرفي گرديد. اين شبکه نظير واحد هاي مدل شـده قبلـي بود. پرسپرون داراي سه لايه مي باشد، به همراه يک لايه واسط که به عنوان لايه پيوند شناخته شده است . ايـن سيسـتم مـي - تواند يـاد بگيـرد کهبـه ورودي داده شـده خروجـي تصـادفي متنـاظر را اعمـال کنـد.(منابع ، M.M.Rashidi،N.Galanis ، Energy.vol.225.no.6.pp.701-717.2011( A.Basiriparza and shamekhi،F.Nazari).
شبکه با تجزيه و تحليل داده هاي ورودي و نتايج نظير آنها ارتباطي بين داده ها برقـرار کـرده کـه ممکـن اسـت غيـر خطـي و نامشخص بوده، سپس با استفاده از اين ارتباط منطقي ، کارشبيه سازي را براي موارد احتمالي مشـابه انجـام مـي شـود (حيـات غيبي ، وحيد ١٣٨٠).
عناصر کوچک پردازش کنندهي اطلاعات، نرون ها هستند. (شکل شماره ٢) تنظيم مدل شبکه هاي عصبي با کمتـرين خطـاي (MSE) و بيشترين ارزش ضريب همبستگي اجرا مي شود (٢٠٠٩. Aksoy& Dahamsheh) .
شکل شماره ٢: مدل غيره خطي نرون
عناصر بردار ورودي p با ضرب در بردار وزن ها (w ) وسپس جمع با باياس (b ) ورودي خالص n را به وجود مي آورد. اين ورودي به صورت رابطه زير محاسبه مي شود:
