بخشی از مقاله
چکیده
در این پژوهش، از شبکه عصبی مصنوعی1 به عنوان ابزاری توانمند در مدل سازی فرآیندهای غیرخطی و نامعین، به منظور پیش بینی عناصر اقلیمی در 17 ایستگاه سینوپتیک، کلیماتولوژی و هیدرومتری شهرستان نیشابور که حداقل 35 سال آمار روزانه داشتند، استفاده شد. از نرم افزار MATLAB در شاخه Neural Network برای پیش بینی و تجزیه و تحلیل عناصر اقلیمی کمک گرفته شد. ورودی مدل ANN داده های میانگین ماهانه بارش ، دبی حداقل و دمای بیشینه است که این داده ها، بازه زمانی سالهای 1350 تا 1384 را در بر می گیرند.
اطلاعات 28سال برای آموزش مدل ها و 7 سال باقی مانده برای آزمایش آنها به کار رفته است. شبکه مورد استفاده از نوع پرسپترون چندلایه 2 با الگوریتم پسانتشارِخطا 3 و تکنیک یادگیری مارکوارت -لونبرگ4 است .ساختار شبکه عصبی با 7 گره در لایه ورودی ، 3 گره در لایه پنهان و 1 گره در لایه خروجی ایجاد گردید . نتایج حاصل از تحقیق حاضر، نشان می دهد که دمای بیشینه، دبی و بارش، نقش مثبتی در پیش بینی بارشهای شهرستان نیشابور داشته، با کاربرد شبکه عصبی مصنوعی میتوان با دقت بالای 95 درصد، سیکل خشکسالی این شهرستان را پیش بینی نمود.
الف- مقدمه
در چند دهه اخیر، اغلب محققان برای پیشبینی و مدل سازی فرآیندهای هواشناختی و هیدرولوژیک و تعیین خصوصیات سیلابها و خشکسالیها از رگرسیون چندمتغیره و مدل های زمینآمارِ استفاده کرده اند.
این مدلها، در حقیقت پارامترها را به شکل خطی وارد فرآیندهای تصمیم گیری نموده که در اغلب موارد نمی تواند به خوبی مسایل پیچیده اقلیمی- هیدرولیکی را تحلیل نمایند و ضروری است، مدلهایی با کارایی بیشتر به منظور پیش بینی پدیده ای غیرخطی و پیچیده معرفی شوند
بدین خاطر متخصصان و دانشمندان علم هیدرولوژی و سایر رشته های مرتبط در پی ایجاد مدل هایی مناسب، به منظور پیش بینی بهنگام این حوادث شده اند . ظهور تئوریهای توانمندی، همچون الگوریتم های فازی و شبکه عصبی تحولی عظیم در تحلیل رفتار سیستمهای دینامیک در علوم مختلف مربوط به آب ایجاد کرده است.
امروزه از جمله روش های کارآمد که استفاده فراوانی در علوم مربوط به هوا وآب دارد، شبکه عصبی مصنوعی است که به عقیده محققان امر، علت اصلی مقبولیت و استفاده روزافزون آن، قدرت و سرعت بالا در شبیه سازی فرآیندهایی است که درک و شناخت درستی از آن وجود نداشته و یا بررسی آنها با دیگر روش های موجود، بسیار دشوار و وقت گیر است
به طورکلی، میتوان اظهار داشت ، مدل شبکه عصبی مصنوعی، مدلی قوی با توانمندی بالاست که می توان با دیدگاهی مثبت در پیش بینی مسایل اقلیمی- هیدرولوژیک به آن نگریست؛ بخصوص آنجا که این شبکه، قادر است قانون حاکم بر داده ها، حتی داده های مغشوش را استخراج نماید و در ضمن نیازی به توضیح صریح طبیعت فرآیندها به صورت ریاضی ندارد
امروزه، تحقیقات بسیار زیادی در زمینه پیش بینی جریان رودخانه ها ، شبیه سازی بارش - رواناب و تخمین پارامترهای هیدرولوژی با استفاده از شبکه عصبی انجام شده است و می توان بیان داشت که در اغلب موارد، شبکه عصبی مصنوعی قادر به پیش بینی و شبیه سازیقابلِ قبول پارامترهای هیدرولوژیک است
UTM بشرح جداول 1 و 2 می باشد:
هدف این مقاله ، شبیه سازی عناصر اقلیمی و هیدرومتری مؤثر بر پدیده خشکسالی مانند : دمای بیشینه، دبی حداقل و بارش در شهرستان نیشابور است .
ب- مواد و روش ها
-1 منطقه مطالعاتی
حوزه آبخیز فاروب رومان نیشابور با مساحتی در حدود 18637/40 هکتار در حوزه آبریز کویر مرکزی، شهرستان نیشابور و بخش مرکزی - دهستان مازول و فضل - واقع شده است. فاصله این حوزه از شهرستان نیشابور در حدود 11/5 کیلومتر می باشد. - شکل - 1 راه دسترسی به منطقه نیز از طریق جاده میراباد-نیشابور می باشد که از شمال شهر نیشابور و روستای میراباد بسمت حوضه فاروب رومان ادامه می یابد. روستای عیش آباد در خروجی حوضه قرار گرفته است که رودخانه فاروب رومان از کنار این روستا می گذرد و روستاهای میراباد و صومعه در فاصله های کم از خروجیهای حوضه واقع شده اند و روستایی در داخل حوضه قرار ندارد. در بخش شمالی منطقه کوههای بینالود واقع شده و آبریز آن سرشاخه های غربی رودخانه فاروب رومان را تشکیل می دهند.
مختصات جغرافیایی محدوده مطالعات بر اساس طول و عرض جغرافیایی و سیستم
جدول -1 مختصات جغرافیایی حوضه فاروب رومان بر اساس طول و عرض جغرافیایی
ایستگاه های مورد مطالعه در این شهرستان، شامل 17 ایستگاه سینوپتیک و کلیماتولوژی و هیدورمتری با دوره ی آماری 40 سال و بالاتر است که آمار مورد نیازآنها از سازمان هواشناسی و سازمان آب منطقه ای استان دریافت و تجزیه و تحلیل گردید.
در نهایت 35 سال دوره آماری مشترک از سال 1350 تا 1384 برای مطالعه انتخاب گردید . دلیل انتخاب دوره آماری 35 ساله، این است که داده های موجود در سالهای اخیر با توجه به افزایش اطلاعات دیده بانها و گسترش تکنولوژی ثبت داده ها، از دقت و اعتبار بیشتری برخوردارند
