واکاوی ارتباط دما و الگوهای پیوند از دور در حوضه آبی ایرانی دریای مازندران با استفاده از شبکه عصبی در راستای برنامه ریزی منطقه ای

نوع مقاله : مقاله علمی -پژوهشی کاربردی

نویسندگان

1 مرکز تحقیقات گردشگری، واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران

2 موسسه تحقیقات خاک و آب، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرج، ایران

چکیده

دما یکی از پارامترهای بسیارمهم آب و هوایی است که در تعیین نقش و پراکندگی دیگر عناصر اقلیمی مؤثر می باشد. هدف از پژوهش حاضر بررسی ارتباط بین دمای ماهانه و سالانه حوضه آبی دریای مازندران و الگوهای پیوند از دور می باشد. در این راستا از داده های میانگین دمای ماهانه و سالانه 97 ایستگاه همدیدی و آب و هواشناسی درون حوضه و بیرون حوضه و همچنین 33 الگوی پیوند از دور طی دوره آماری (1970-2014) استفاده شد. بدین منظور مدل پرسپترون چندلایه مورد استفاده قرار گرفت. ابتدا داده ها در نرم افزار مت لب نرمال و در نرم افزار spss استاندارد شدند. سپس شبکه براساس الگوریتم گرادیان نزولی (SCG)، تابع متحرک هیپربولیک برای لایه های پنهان و تابع متحرک همانی برای داده های خروجی طراحی شد. در تمام ساختار شبکه 1 تا 2 لایه پنهان در نظر گرفته شد و بیش از 600 شبکه ایجاد شد. طی این فرایند 70 درصد از داده ها برای آموزش و 30 درصد برای آزمون در نظر گرفته شد. سپس به ارزیابی عملکرد مدل، از طریق معیارهای آماری از جمله مجموع مربع خطاها و خطای نسبی پرداخته شد. نتایج نشان داد در رابطه با داده های ماهانه، دمای یک ماه پیش و الگوهای  ONI و NINO3 دارای اهمیت بیشتر می باشد و ارتباط بیشتری را با دمای ماهانه حوضه مورد مطالعه نشان می دهد. در داده های سالانه نیز الگوهای های AMO، NCP، AO، NAO و دمای یک سال قبل اهمیت بالای 60 درصد نشان دادند. لذا می­توان بیان نمود که رابطه الگوهای نامبرده با دمای سالانه بیش از سایر الگوها بوده است.

کلیدواژه‌ها


عنوان مقاله [English]

Investigating the relationship between temperature and remote linkage patterns in the Iranian Caspian Sea basin Using Neural Network for Regional Planning

نویسندگان [English]

  • Amir Gandomkar 1
  • Iraj Heydari 1
  • Mohsen Bagheri Bodaghabadi 2
1 Tourism Research Center, Najafabad Branch, Islamic Azad Universiy, Najafabad, Iran
چکیده [English]

Temperature is one of the most important parameters of the climate that is effective in determining the role and distribution of other climatic elements. The purpose of this study was to investigate the relationship between monthly and annual temperature in Mazandaran watershed and distant link patterns. In this regard, average annual temperature data of 97 concurrent and meteorological stations within and outside the basin, as well as 33 distant link patterns during the statistical period (2014-2014), were used. First, the data were standardized in the standard software and standardized in the SPSS software. The grid was then designed based on the descending gradient algorithm (SCG), the hyperbolic animation function for the hidden layers and the same moving function for the output data. The entire network structure was considered to be 1 to 2 hidden layers and more than 600 networks were created. During this process, 70% of the data was for training and 30% for the test. Then, to evaluate the performance of the model, we used the statistical criteria including the sum of squares of errors and relative error. The results showed that the monthly data, temperature of a month ago and ONI and NINO3 patterns are more important and show more relevance with the monthly temperature of the study area. In annual data, the AMO, NCP, AO, NAO patterns and the one-year-olds' temperature were above 60%. Therefore, it can be stated that the mentioned patterns are more related to the annual temperature of the basin than other patterns.

کلیدواژه‌ها [English]

  • Teleconnection
  • Caspian Sea Basin
  • Temperature
  • Neural Network
  • MLP Model
اسفندیاری درآباد، فریبا، حسینی، سیداسعد، آزادی مبارکی، محمد، حجازی زاده، زهرا، 1389، پیش بینی میانگین دمای ماهانه ایستگاه سینوپتیک سنندج با استفاده از مدل شبکه ی عصبی مصنوعی پرسپترون چندلایه (MLP)، جغرافیا (فصلنامه علمی  پژوهشی انجمن جغرافیای ایران)، سال هشتم، شماره 27، صص 64-45.
امامی فر،  سعید ، رحیمی خوب، علی ، نوروزی، علی اکبر، 1393، ارزیابی مدل درختی M5 و شبکه عصبی مصنوعی برای برآورد متوسط روزانه دمای هوا بر اساس داده های دمای سطح زمین سنجنده مودیس، تحقیقات آب و خاک ایران، دورة 45 , شمارة 4، صص 433-423.
خوشحال دستجردی، جواد، حسینی، سیدمحمد، 1389، کاربرد شبکه عصبی مصنوعی در شبیه سازی عناصر اقلیمی و پیش بینی سیکل خشکسالی ( مطالعه موردی: استان اصفهان)، مجله جغرافیا و برنامه ریزی محیطی، سال 21 ، شماره پیاپی 39 ، شماره 3، 120-107.
رمضانی چرمهینه، عبداله، ذونعمت کرمانیف ذونعمت، 1396، بررسی کارایی روش های رگرسیون بردار پشتیبان، شبکه عصبی پرسپترون چندلایه و رگرسیون خطی چندمتغیره به منظور پیش بینی تراز سطح آب زیرزمینی (مطالعه موردی: دشت شهرکرد)، پژوهشنامه مدیریت حوزه آبخیز، سال هشتم، شماره 15، صص 12-1.
شیداییان، مجید، ضیاتباراحمدی، میرخالق، فضل اولی، رامین، 1396، مقایسه مدل شبکه عصبی مصنوعی  (ANN) و  SDSM  در کوچک مقیاس سازی دما، علوم و مهندسی آبیاری، جلد 40، شماره 2، صص 73-59.
صلاحی، برومند، حسینی، سیداسعد، شایقی، حسین، سبحانی، بهروز، 1389، پیش بینی دماهای حداکثر با استفاده از مدل شبکه عصبی مصنوعی مطالعه موردی: شهرستان اردبیل، فصلنامه تحقیقات جغرافیایی، شماره 98، صص 78-57.
عزیزی، حمیدرضا، منتظری، مجید، 1394، پیش بینی دماهای ماهانه ایستگاه های همدید منتخب استان اصفهان، با استفاده از شبکه عصبی مصنوعی پرسپترون چندلایه، فصلنامه تحقیقات جغرافیایی، سال 30، شماره 3، صص 258-241.
قربانی، محمدعلی، پوربابک، سرور، جباری خامنه، حسین، اسدی، اسماعیل، فاضلی فرد، محمدحسن، 1395، طبقه بندی دمایی ایستگاه های هواشناسی کشور با استفاده از خوشه بندی فازی و شبکه عصبی مصنوعی کوهونن، نشریه علمی پژوهشی جغرافیا و برنامه ریزی، سال 20، شماره 55، صص 63-45.
قلی زاده، محمدحسین، دارند، محمد، 1389، پیش بینی بارش ماهانه با استفاده از شبکه عصبی مصنوعی (مورد: تهران)، پژوهش های جغرافیای طبیعی، شماره 71، صص 63-51.
کارآموز، محمد؛ رمضانی، فرید؛ رضوی، سامان. 1385، پیش بینی بلند مدت بارش با استفاده از سیگنال های هواشناسی: کاربرد شبکه های عصبی مصنوعی، هفتمین کنگره بین المللی مهندسی عمران، دانشگاه تربیت مدرس تهران.
گلابی، محمدرضا، آخوندعلی، علیمحمد، رادمنش، فریدون، 1395، مقایسه عملکرد الگوریتم های مختلف شبکه عصبی مصنوعی در مدل سازی بارندگی فصلی مطالعه موردی؛ ایستگاههای  منتخب استان خوزستان، نشریه تحقیقات کاربردی علوم جغرافیایی سال سیزدهم، شماره 30 ، صص 169-151.
لکزاییان پور، غلامحسین، محمدرضاپور، ام البنی، مالمیر، مهسا، 1395، ارزیابی آثار تغییر اقلیم بر میزان رواناب رودخانه نازلوچای در حوضه آبریز دریاچه ارومیه، جغرافیا و توسعه، شماره 42، صص 198-183.
نجفی، اسماعیل، صفاری، امیر، قنواتی، عزت الله، کرم، امیر، 1394، شبیه سازی و تحلیل دبی های حداکثر لحظه ای با استفاده از شبکه عصبی مصنوعی (مطالعه موردی: ایستگاه های هیدرومتری هفت حوض، سولقان، قلاک و مقصودبیک در کلان شهر تهران)، پژوهش های ژئومورفولوژی کمی، سال چهارم، شماره 1، صص 103-90.
Gahegan, M., 2000. On the application of inductive machine learning tools to geographical analysis. Geographical Analysis, 32:113– 139.
Gahegan, M., 2003. Is inductive machine learning just another wild goose chase (or might it lay the golden egg)? International Journal of Geographic Information Science, 17: 69–92.
Juan, Chang, Genxu, Wang, Tianxu, Mao, 2015, Simulation and prediction of suprapermafrost groundwater level variation in response to climate change using a neural network model, Journal of Hydrology, Volume 529, Part 3, Pages 1211-1220
Li, Xiuming, Zhao, Tianyi, Zhang, Jili,  Chen,Tingting, 2017, Predication control for indoor temperature time-delay using Elman neural network in variable air volume system, Energy and Buildings, Volume 154, Pages 545-552
Marohasy, Jennifer, Abbot, John, 2015, Assessing the quality of eight different maximum temperature time series as inputs when using artificial neural networks to forecast monthly rainfall at Cape Otway, Australia, Atmospheric Research, Volume 166, Pages 141-149.
Papantoniou, Sotiris, Kolokotsa, Dionysia-Denia, 2016, Prediction of outdoor air temperature using neural networks: Application in 4 European cities, Energy and Buildings, Volume 114, Pages 72-79.
Ripley, B.D., 1996. Pattern recognition and neural networks. Cambridge University Press, Cambridge, N.Y
Shamshirband, Shahaboddin, Mohammadi, Kasra, Piri, Jamshid, Petković, Dalibor, Karim, Ahmad,  2016, Hybrid auto-regressive neural network model for estimating global solar radiation in Bandar Abbas, Iran, Environmental Earth Sciences, 75:172.
Schaap, Marcel, Feike, J. Leij, Martinus. Th. Genuchten, van. 1998. Neural network analysis for hierarchical prediction of soil hydraulic properties. Soil Sci. Soc. Am.J., 62:847-855.