تعداد نشریات | 44 |
تعداد شمارهها | 1,303 |
تعداد مقالات | 16,047 |
تعداد مشاهده مقاله | 52,589,665 |
تعداد دریافت فایل اصل مقاله | 15,268,651 |
طبقه بندی تبخیر سالانه ایستگاههای تبخیرسنجی ایران با استفاده از محاسبات نرم(خوشه بندی فازی و شبکه عصبی کوهنن) بر اساس پارامترهای اقلیمی | ||
جغرافیا و برنامهریزی | ||
مقاله 14، دوره 22، شماره 63 - شماره پیاپی 22، خرداد 1397، صفحه 283-304 اصل مقاله (883.85 K) | ||
نوع مقاله: مقاله علمی پژوهشی | ||
شناسه دیجیتال (DOI): 4-14 | ||
نویسندگان | ||
رضا مکاریان1؛ حسین صدقی2؛ سمیرا نعمتی3؛ حسین بابا زاده4 | ||
1مدرس دانشگاهی | ||
2استاد گروه مهندسی آب- واحد علوم و تحقیقات تهران | ||
3دانشگاه تبریز | ||
4دانشیار گروه مهندسی آب -واحد علوم و تحقیقات تهران | ||
چکیده | ||
تبخیر را میتوان نقطه آغازین چرخه هیدرولوژیک آب به شمار آورد، که برآیند مجموعه عوامل اقلیمی و جغرافیایی منطقه هیدرولوژیک میباشد و مستقیماً بر منابع آب اثر بخش است. این پدیده از یک سیستم پیچیده و غیرخطی پیروی میکند، که تخمین دقیق آن بسیار دشوار است. از این رو استفاده از مدلهای ریاضی مانند سیستم استنتاج فازی و شبکه عصبی کوهنن با درک رفتار های غیر خطی سیستم برای حل این مشکل مناسب است. طبقهبندی پایگاه اطلاعات بزرگ نظیر ایستگاههای تبخیرسنجی موجب میگردد حجم زیادی از اطلاعات با اختصاص به چند دسته متجانس کوچکتر براحتی در روشهای مختلف مدلسازی مورد استفاده قرار گیرد. خوشهبندی در این پژوهش با استفاده از دادههای اقلیمی منجر به قرار گرفتن ایستگاههای تبخیرسنجی در 7 خوشه گردیدهاست و بین مقادیرحداکثر شاخصRS و حداقل واریانس محاسباتی خوشهها همخوانی وجود دارد، بطوریکه نسبت به ضریب تعیین RS و واریانس خوشهها روش شبکه عصبی کوهنن نسبت به روش فازی نتایج بهتری را نشان میدهد. تبخیر را میتوان نقطه آغازین چرخه هیدرولوژیک آب به شمار آورد، که برآیند مجموعه عوامل اقلیمی و جغرافیایی منطقه هیدرولوژیک میباشد و مستقیماً بر منابع آب اثر بخش است. این پدیده از یک سیستم پیچیده و غیرخطی پیروی میکند، که تخمین دقیق آن بسیار دشوار است. از این رو استفاده از مدلهای ریاضی مانند سیستم استنتاج فازی و شبکه عصبی کوهنن با درک رفتار های غیر خطی سیستم برای حل این مشکل مناسب است. طبقهبندی پایگاه اطلاعات بزرگ نظیر ایستگاههای تبخیرسنجی موجب میگردد حجم زیادی از اطلاعات با اختصاص به چند دسته متجانس کوچکتر براحتی در روشهای مختلف مدلسازی مورد استفاده قرار گیرد. خوشهبندی در این پژوهش با استفاده از دادههای اقلیمی منجر به قرار گرفتن ایستگاههای تبخیرسنجی در 7 خوشه گردیدهاست و بین مقادیرحداکثر شاخصRS و حداقل واریانس محاسباتی خوشهها همخوانی وجود دارد، بطوریکه نسبت به ضریب تعیین RS و واریانس خوشهها روش شبکه عصبی کوهنن نسبت به روش فازی نتایج بهتری را نشان میدهد. | ||
کلیدواژهها | ||
تبخیر؛ خوشهبندی فازی؛ شبکه عصبیکوهنن؛ ایستگاههای تبخیرسنجی؛ ایران | ||
مراجع | ||
- بیابانکی، م.؛ اسلامیان، س. (1383)، «استفاده ازروش خوشهبندی درتعیین همگنی هیدرولوژیک و ارزیابی آن توسط روشهای تحلیل ممیزی و منحنیهای Andrew در حوضه آبریز کرخه»، مجله کشاورزی، جلد6، شماره2. - جهانبخش اصل، س.؛ ابطحی، و.؛ قربانی، م. ع.؛ تدینی، م. ؛ والایی، ا. (1394) ،« بررسی توزیع زمانی و مکانی بارش شهرستان تبریز با روش تحلیل خوشهای»، فصلنامه فضای جغرافیایی، سال 94، شماره 50: 59-81. - حسنعلی زاده، ن. ؛ مساعدی، ا. ؛ ظهیری، ع. ر. ؛ بابانژاد، م. (1393)، « تعیین نواحی همگن توزیع بارش سالانه در سطح استان گلستان با استفاده از تحلیل خوشهای و روش گشتاورهای خطی »، نشریه آب (علوم و صنایع کشاورزی)، سال93، جلد 28: 1061-1071. - رحیمی، د. ؛ ولی پور، ق. ؛ یزدانپناه، ح. (1390)، «کاربرد سامانه و مجموعههای فازی در پهنهبندی دمایی استان چهار محال و بختیاری»، مجله جغرافیا و برنامه ریزی محیطی، سال90، شماره 41: 85-96. - رحیمی خوب، ع.؛ بهبهانی، م.؛ نظری فر، م. (1385)، «بررسی استفاده از حداقل دادههای هواشناسی در معادله پنمن مانتیث- مطالعه موردی استان خوزستان»، مجله علوم کشاورزی، سال12. - سلطانی، آ.؛ صدوقی یزدی، ه.؛ اشک زری طوسی، س.؛ روحانی، م. (1389)، « بهبود شبکه خود سازمانده کوهنن با هدف خوشهبندی دادههای فازی»، دهمین کنفرانس سیستم های فازی ایران، دانشگاه شهید بهشتی. - شکاری، پ.؛ باقرنژاد، م. (1384)، «بررسی کاربرد روش فازی (Fuzzy) درطبقهبندی خاکها. مطالعه موردی: چشمه سفیدکرمانشاه»، مجله علوم وفنون کشاورزی و منابع طبیعی، سال نهم، شماره4، تهران. - عساکره، ح .؛ دوستکامیان، م. (1395)، « ناحیه بندی اقلیمی آب قابل بارش جو ایران زمین »، نشریه جغرافیا و برنامه ریزی، سال بیستم، شماره58: 181-202. - فرسادنیا، ف.؛ رستمی کامرود، م.؛ مقدم نیا، ع. (1391)، «تحلیل روند بارندگی در استان مازندران با استفاده از روش من-کندال منطقهای»، تحقیقات منابع آب ایران، سال87، شماره 2: 60-70. - فلاح قالهری، غ .؛اسدی، م.؛ انتظاری، ع. (1394)، « ناحیه بندی آب و هوایی استان گیلان با روش های چند متغیره»، نشریه جغرافیای و برنامه ریزی ، سال نوزدهم، شماره54: 235-251. - کوره پزان دزفولی، ا. ( 1387 )، « اصول تئوری مجموعههای فازی و کاربردهای آن در مدلهای مسائل منابع آب». انتشارات جهاد دانشگاهی (دانشگاه صنعتی امیر کبیر). - مومنی، م. (1390)، « خوشهبندی دادهها( تحلیل خوشهای)». انتشارات دانشگاه تهران. -Chavoshi, S., Azmin Sulaiman W.N. Saghafian B. Sulaiman MD NB. Latifah, A.M .(2012), “ Soft and hard clustering methods for delineation of hydrological homogeneous regions in the southern strip of the Caspian Sea Watershed”, Journal of Flood Risk Management, 5( 4): 282-294.
-Dikbas, F., Firat, M., Koc, A.C., Gungor, M. (2011), “ Classification of precipitation series using fuzzy cluster Method”, International Journal of Climatology, DOI: 10.1002/joc.2350.
-Farsadnia, F., Rostami Kamrood, M., Moghaddam Nia, A., Modarres, R. Bray, M.T.and Han, D., Sadatinejad, J. (2014), “Identification of homogeneous regions for regionalization of watersheds by two-level selforganizing feature maps”, Journal of Hydrology,509: 387–397.
-Holawe, F., Dutter, R. (1999), “ Geostatistical study of precipitation series in Austria”, Journal of Hydrology, Vol: 219.
-Jingyi, Z. and M.J. Hall.( 2004), “ Regional flood frequency analysis for the Gan-Ming river basin in China”, Journal of Hydrology 296: 98–117.
-Ley, R. M.C., Casper, H. Hellebrand and R. Merz. (2011), “Catchment classification by runoff behavior with self-organizing maps (SOM) ”, Hydrology and Earth System Sciences 15: 2947-2962.
-Lin, G.F. and L.H. Chen. (2006), “ Identification of homogeneous regions for regional frequency analysis using the self-organizing map”, Journal of Hydrology, 324: 1-9.
-Linacre, E. and G. Bart. (1997), “Climate and weather explained” , First published, London and New York, pp: 1-432.
-Moghaddamnia, A., Ghafari Gousheh, M., Piri, J., Amin, S., and Han, D. (2009), “Evaporation estimation using artificial neural networks and adaptive neuro-fuzzy inference system techniques” , Advances in Water Resources. 32(1): 89-97
-Raju, K.S., Kumar, D.N. (2007), “Classification of Indian meteorological stations using cluster and fuzzy cluster analysis, and Kohonen artificial neural networks”, Nordic Hydrology, 38(3), 303-314.
-Razavi, T., Coulibaly, P. (2013), “Classification of Ontario watersheds based on physical attributes and streamflow series”, Journal of Hydrology, 493: 81–94.
-Roger, M.C., Durk, R., Cazemier, P. (2000), “Representing and processing uncertain soil information for mapping soil hydrological properties ,Computers and electronics in agriculture”, Vol:29.
-See, L., Openshaw, S. (1998), “ Using Soft Computing Techniques to Enhance Flood Forecasting, International Conference on The River Ouse, Proceeding Hydroinformatics”, Copenhagen, Denmark, pp. 24-26. | ||
آمار تعداد مشاهده مقاله: 687 تعداد دریافت فایل اصل مقاله: 427 |