بخشی از مقاله
چکیده
پیش بینی خشکسالی ابزار مناسبی برای مدیران و سیاستگذاران حوزههای مختلف است تا با در نظرگرفتن این پیشبینی، سیاست های آینده را در جهت بهینه نمودن هزینهها طرحریزی نموده و با اتخاذ راهکارهای پیشگیرانه خسارات ناشی از خشکسالی های آتی بر بخش های آسیب پذیر جامعه را به حداقل ممکن برسانند. در این مطالعه، از شاخص استانداردشده بارش - SPI - و روش شبکه عصبی مصنوعی برای شبیه سازی خشکسالی ها بهره گرفته شد.
همچنین، از آمار بارندگی ایستگاه تبخیرسنجی ترشکلی واقع در شهرستان گنبدکاووس استان گلستان طی سالهای 1354-87 استفاده گردید. بر اساس معیارهای ضریب همبستگی - r - ، کمترین میانگین مربعات خطا - MSE - و میانگین خطای مطلق - MAE - مشخص گردید، شبکه عصبی با 7 نرون در لایه ورودی، 28 نرون با تابع فعالیت تانژانت هایپربولیک در لایه پنهان، یک نرون در لایه خروجی با تابع فعالیت خطی و همچنین، قانون یادگیری مومنتم در مقایسه با سایر شبکههای عصبی اجراشده، ارتباط بین اطلاعات ورودی و خروجی را با دقت بالایی شبیه سازی نموده و از عملکرد بهتری در توصیف رفتار تصادفی پدیده خشکسالی ایستگاه ترشکلی برخوردار است.
شبکه منتخب برای پیش بینی خشکسالی در دوره 1388-93 مورد استفاده قرار گرفت؛ به گونه ای که مقادیر پیشبینیشده، وقوع خشکسالیهای ملایم در این دوره را نشان دادند. در مجموع، نتایج شبیه سازی الگوهای شبکه عصبی مصنوعی نشان می دهند، این روش از دقت بالایی در دورههای اولیه پیشبینی برخوردار است.
مقدمه
خشکسالی، ویژگی طبیعی و برگشتپذیر اقلیمی میباشد و تقریباً در کلیه اقلیمها رخ میدهد. این پدیده علاوه بر مناطق با بارندگی کم، در مناطق با حجم بارندگی زیاد نیز اتفاق میافتد
در دهههای اخیر، تعداد وقوع پدیده خشکسالی از نظر شدت، طول مدت، مجموع فضای تحت پوشش، تلفات جانی، خسارات اقتصادی و اثرات اجتماعی بلندمدت بر جامعه، بیشتر از سایر بلایای طبیعی بوده است. همچنین، تمایز این پدیده با سایر بلایای طبیعی در این است که برخلاف سایر بلایا، این پدیده بهتدریج و در یک دوره زمانی نسبتاً طولانی عمل کرده و اثرات آن ممکن است پس از چند سال و با تأخیر بیشتری نسبت به سایر حوادث طبیعی ظاهر شود
مطالعات مختلف نشان می دهد، خشکسالی و به خصوص خشکسالی اقلیمی و کشاورزی، نتیجه یک عامل منفرد و مشخصی نیست که بتوان آن را از قبل و به طور دقیق پیشبینی نمود. با وجود این، امکان پذیر است که در مقیاس زمانی ماهانه یا فصلی، نشانه هایی از رخداد خشکسالی و نیز خاتمه آن ارائه شود و از طریق روند حوادث رخداده در دوره های قبل، وقایع آتی خشکسالی را پیش بینی نمود
بر این اساس، پیش بینی خشکسالی ابزار مناسبی را در اختیار مدیران و سیاستگزاران حوزههای مختلف قرار میدهد تا با در نظرگرفتن این پیشبینی، سیاستهای آینده را در جهت بهینهنمودن هزینهها طرحریزی نموده و با اتخاذ راهکارهای پیشگیرانه و تنظیم استراتژیهای مدیریت خشکسالی، خسارات ناشی از خشکسالیهای آتی بر بخشهای آسیبپذیر جامعه را به حداقل ممکن برسانند.
برای پیشبینی فرآیندهای هیدرولوژیکی همچون بارش، دبی ماهانه و سالانه رودخانهها، سیلابها و خشکسالیهامعمولاً از الگوهای تصادفی خودتوضیح میانگین متحرک - ARMA - 1 و خودتوضیح جمعی میانگین متحرک - ARIMA - 2 استفاده شده است.
این الگوهای تصادفی، فرآیندهای پایا را بهصورت خطی الگوسازی نموده و در توصیف ویژگیهای ناپایا و غیرخطی سریهای زمانیغالباً ناتوان میباشند. با توجه به اهمیت ویژگیهای غیرخطی و ناپایای سریهای زمانی فرآیندهای هیدرولوژیکی در پیشبینیها، استفاده از روشهایی که ویژگیهای مذکور را در نظر بگیرند، امری ضروری است. در سالهای اخیر، شبکههای عصبی مصنوعی، توانایی خود را در الگوسازی و پیشبینی سریهای زمانی غیرخطی و ناپایای فرآیندهای هواشناسی و هیدرولوژیکی با توجه به ماهیت غیرخطی و انعطافپذیری خود به اثبات رساندهاند
مطالعات مختلفی در خصوص پیشبینی فرایندهای جوّی از جمله خشکسالی با استفاده از شبکههای عصبی مصنوعی در ایران و سایر کشورها صورت گرفته است که می توان به مطالعه میشرا و دیزای - 2006 - اشاره نمود. آنها برای پیشبینی خشکسالی ها در حوضه آبریز کانساباتی در غرب بنگال هند، با استفاده از شاخص استانداردشده بارش - SPI - 3 به مقایسه قدرت پیشبینی الگوهای تصادفی خطی - ARMA, SARIMA - ، شبکه عصبی مصنوعی چندمرحلهای برگشتی و شبکه عصبی مصنوعی چندمرحله ای مستقیم پرداختند.
نتایج نشان داد که روش چندمرحلهای برگشتی برای پیشبینی SPI با گام زمانی یک ماهه عملکرد بهتری نسبت به سایر روش ها دارد. بر اساس مطالعه سریکالرا و تانپراسرت - 2006 - ، شبکه های عصبی با الگوریتم آموزشی پس انتشار خطا از دقت قابلقبولی در پیش بینی بارندگیهای روزانه در رودخانه چائو فرایا تایلند برخوردارند. حیاتی و محبی - 2007 - به منظور طراحی سیستم پیشبینی کوتاهمدت دما در کرمانشاه از شبکه عصبی پرسپترون چندلایه4 - MLP - در طی دوره 1996-2006 استفاده نمودند.
نتایج حاکی از این است که شبکه عصبی MLP با حداقل خطای پیش بینی روش مناسبی برای الگوسازی سیستم های پیش بینی کوتاه مدت دما می باشد. رامیرز و همکاران - 2005 - از شبکه عصبی پرسپترون پیش خور با الگوریتم آموزش پس انتشار خطا برای پیش بینی بارش ماهیانه در منطقه سائوپائولو برزیل استفاده کردند. نتایج حاصله، برتری روش شبکه های عصبی مصنوعی را نسبت به روش های رگرسیونی نشان می دهد.
در تحقیقی دیگر، مرید و همکاران - 2007 - با بهره گیری از شبکه های عصبی مصنوعی و دو شاخص استانداردشده بارش - SPI - و شاخص خشکسالی مؤثر - EDI - 5 به پیش بینی خشکسالی ها در ایستگاه های بارندگی استان تهران پرداختند. نتایج نشان داد که شاخص خشکسالی EDI به عنوان متغیر ورودی بهتر از شاخص خشکسالی SPI عمل میکند.
با توجه به آنچه که بیان گردید، الگوهای شبکه عصبی پرسپترون، توانایی خود را در پیشبینیرایندهایف جوّی نشان دادهاند. از اینرو مطالعه حاضر از روش مذکور برای پیشبینی وقوع خشکسالیها در دورههای آتی استفاده نموده است.
مواد و روشها
-1 تعیین شاخص خشکسالی
در ارزیابی خشکسالی، تعیین مجموعهای از شاخصهای مناسب و دقیق از اهمیت ویژهای برخوردار است. با استفاده از شاخصهای خشکسالی میتوان شدت، مدتو وسعت خشکسالی را کمّی کرده و بهصورت دورهای ارزیابی نمود. شاخصهای متعددی برای ارزیابی خشکسالی بهکار برده میشوند که در بین آنها، شاخص استانداردشده بارش - SPI - در تحلیل منطقهای خشکسالی و مطالعات تطبیقی و مقایسهای میان مناطق مختلف متداولتر بوده و قابلیت بالای آن در بسیاری از مطالعات نشان داده شده است
شدت خشکسالی و ترسالی بر اساس مقادیر SPI بهصورت جدول 1 طبقهبندی میشود؛ بهگونهایکه مقادیر مثبت SPIنمایانگر بارشِ بیش از میانگین و مقادیر منفی آن نشاندهنده بارشِ کمتر از میانگین میباشد. زمانی که مقدار SPI منفی باشد، نشانه شروع خشکسالی است و هنگامی که مقدار این شاخص مثبت باشد، پایان خشکسالی و آغاز ترسالی را نوید میدهد
جدول : - 1 - طبقهبندی شدت خشکسالی و ترسالی بر اساس شاخص SPI
در مطالعه حاضر، برای پیش بینی خشکسالی کشاورزی از شاخص SPI سهماهه و همچنین بهمنظور پیشبینی خشکسالیهای سالانه - هیدرولوژیکی - از شاخص SPI دوازدهماهه استفاده میشود.
-2 روش شبکه عصبی مصنوعی
الف - شبکههای عصبی پیشخور
شبکه های عصبی مصنوعی شامل مجموعه ای از نرون های به هم متصل میباشند که به هر مجموعه از این نرونها یک لایه گفته می شود. این شبکه ها از یک لایه ورودی، یک یا چند لایه پنهان و یک لایه خروجی تشکیل شدهاند. نحوه و شکل اتصال نرون ها در لایه های مختلف، باعث ایجاد ساختارهای مختلفی در شبکههای عصبی مصنوعی شده است. چنانچه در یک شبکه عصبی، خروجی هر نرون تنها به نرون های لایه بعد وصل شود، به آن شبکه عصبی پیشخور گفته میشود. شکل 1، نمای کلی شبکه عصبی پیشخور چندلایه را نشان میدهد.
