مدل ANFIS

پدیده ی گرد و غبار یکی از زیان بارترین بلایای طبیعی است که مشکلات محیطی عدیده ای را در مناطق مختلف جهان به وجود می آورد. در ایران، منطقه ی زابل به شدت تحت تأثیر این پدیده قرار دارد. مطالعه ی حاضر، با هدف شناخت ویژگی های زمانی و بررسی امکان پیش بینی پدیده ی گرد و غبار در ایستگاه زابل، به عنوان گردوغباری ترین ایستگاه کشور صورت گرفته است. در این راستا ابتدا به تجزیه و تحلیل ویژگی های آماری داده های مربوط به فراوانی ماهانه، فصلی و سالانه ی روزهای توأم با گرد و غبار ایستگاه زابل با آمار 41 ساله پرداخته شد. از روش تجزیه ی روند سری های زمانی برای تبیین نوسانات زمانی عنصر مورد مطالعه استفاده شده و طبقه بندی ماهانه ی روزهای توأم با گرد و غبار با استفاده از روش آماری چند متغیّره ی تحلیل خوشه ای انجام گرفت. پیش بینی گرد و غبار با استفاده از روش سیستم استنتاج فازی- عصبی تطبیقی یا انفیس (ANFIS) با اختصاص70 درصد داده ها به آموزش و30 درصد آن ها به تعیین اعتبار مدل انجام شد. نتایج نشان داد در طول دوره ی آماری مورد مطالعه ی ماه جولای و آگوست گرد و غباری ترین ماه های سال می باشند. بر اساس تحلیل خوشه ای انجام شده، ماه های جولای و آگوست با بیشترین روزهای گرد و غباری در یک خوشه ی مجزا قرار گرفته اند. روند سری ماهانه، فصلی و سالانه ی گرد و غبار در این ایستگاه، افزایشی می باشد. نتایج پیش بینی گرد و غبار با مدل انفیس، نشان از قابلیت بالای آن در پیش بینی گرد و غبار در این ایستگاه می باشد. ساختار سیستم استنتاج فازی (FIS) تعیین شده با چهار تابع عضویت به شکل قوسی با روش آموزش هیبرید، با اطمینان حدود 93 درصد گرد و غبار ایستگاه زابل را پیش بینی می کند

آنالیز و پایش خشکسالی یکی از اصول مهم در مدیریت خشکسالی و ریسک، بویژه در مناطق در معرض خطر خشکسالی است. سیستم های پایش در تدوین طرح های مقابله با خشکسالی و مدیریت آن از اهمیت زیادی برخوردار می باشند. با این حال، مطالعات انجام شده در رابطه با این پدیده بر اساس روش های مناسب بسیار کم است، بررسی ویژگی های خشکسالی و پیش بینی آن می تواند در کاهش خسارات حاصل از آن موثر باشد بدین منظور، در این پژوهش به بررسی خشکسالی و ارزیابی امکان پیش بینی آن برای ایستگاه های حوضه دریاچه ارومیه پرداخته شد. داده های مورد استفاده در این پژوهش، مقدار بارندگی به صورت ماهانه در دوره آماری 29 ساله از سال 1985 تا 2014 می باشد. شاخص SEPI در مقیاس زمانی 6 و 12 ماهه برای بررسی ویژگی خشکسالی و مدل سیستم استنتاج عصبی–فازی تطبیقی برای پیش بینی خشکسالی استفاده می شود با توجه به یافته های حاصل در این پژوهش، درصد فراوانی وقوع خشکسالی در حوضه دریاچه ارومیه در ایستگاه های ارومیه و سقز و مراغه در مقیاس 6 ماهه بیش تر از مقیاس 12 ماهه است اما در ایستگاه های تبریز و مهاباد شرایط بر عکس می باشد. و روند خشکسالی در حوضه دریاچه ارومیه افزایشی است و روند دما با شدت بیش تری روند افزایشی دارد. بیش ترین درصد وقوع خشکسالی در ایستگاه ارومیه و کم ترین آن در مهاباد مشاهده شد. نتایج حاصل از پیش بینی شاخص با مدل ANFIS نشان داد در رابطه کد نویسی بیش ترین میانگین خطای آموزشی 51/0 درصد در ایستگاه تبریز در مقیاس 12 ماهه و کم ترین میانگین خطای آموزشی 36/0 درصد در ایستگاه مراغه در مقیاس 12 ماهه می باشد. در مدل سازی داده های اعتبارسنجی، میانگین خطای مدل سازی طبیعتاً بیش تر از میانگین خطای آموزشی می باشد.

بررسی و ارزیابی پدیده گرد و غبار و ریزگردها یکی از ارزش های مهم در زمینه مدیریت مخاطره اقلیمی و محیطی در خاورمیانه بویژه مناطق خشک و غرب و جنوب و قسمت های مرکزی ایران می باشد. روش ها و طرح های مطالعه این پدیده و مدیریت آن از اهمیت و ارزش های زیادی برخوردار می باشد. با توجه به مطالعات انجام شده در رابطه با پدیده گرد و غبار بر اساس روش های پیش بینی با خطای کم در تناقض و کم می باشد، ارزیابی ویژگی های گرد و غبار و پیش بینی آن باعث کاهش خسارات جبران ناپذیر حاصل از آن تاثیرگذار می باشد. برای این کار، در این تحقیق به پایش گرد و غبار و ارزیابی پیش بینی آن در استان اردبیل با استفاده از مدل ANFIS پرداخته شد . داده های مورد استفاده در این تحقیق، مقدار گرد و غبار در دوره آماری مربوطه به هر ایستگاه از بدو تاسیس تا سال 2016 می باشد. پدیده گرد و غبار در بازه زمانی مشاهده و پیش بینی شده برای ارزیابی ویژگی گرد و غبار و مدل سیستم تطبیقی ANFIS برای پیش بینی پدیده گرد و غبار استفاده شد. با توجه به یافته های حاصل در این تحقیق، در پایش و پیش بینی وضعیت گرد و غبار درصد فراوانی وقوع در سال های مشاهده شده بیش ترین مقدار حداکثر فراوانی گرد و غبار در ایستگاه اردبیل با مقدار 74 درصد و کم ترین آن در مشکین شهر 8 درصد بوده است. در سال های پیش بینی شده بیش ترین مقدار حداکثر فراوانی گرد و غبار در ایستگاه خلخال با مقدار 67/61 درصد و کم ترین آن در مشکی ن شهر 10 درصد بوده است. از نظر مقدار شدت گرد و غبار ایستگاه اردبیل شدیدتر از بقیه ایستگاه ها است. از نظر شدت خشکسالی که مورد بررسی قرار گرفت هر 5 ایستگاه مورد مطالعه دارای گرد و غبار می باشند به عبارتی مقدار گرد وغبار بالای 74 درصد را می توان مشاهده کرد. برای 5 ایستگاه مورد مطالعه ب رای 18 سال آینده با استفاده از کدهای که به صورت دستی حاصل شده به تفکیک ایستگاه ها در سری زمانی به دست آمد که بیش ترین میانگین خطای آموزشی در ایستگاه پارس آباد مغان با مقدار 0/091 درصد و کم ترین مقدار آن در ایستگاه گرمی با مقدار 0/001 درصد به حاصل شد.

در این مقاله کارائی مدل های شبکه عصبی مصنوعی (ANN)، سیستم استنتاج عصبی-فازی سازگار (ANFIS)، رگرسیون بردار پشتیبان (SVR) و مدل شبکه عصبی رگرسیون عمومی (GRNN) در تعیین ارتفاع ژئوئید محلی مورد ارزیابی قرار می گیرد. برای انجام اینکار، مختصات ژئودتیکی 26 ایستگاه از شبکه شمال غرب ایران که ارتفاع اورتومتریک (Ho) آنها نیز با ترازیابی درجه یک توسط سازمان نقشه برداری کشور (NCC) اندازه گیری شده، مورد استفاده قرار گرفته است. در این ایستگاه ها، تفاضل ارتفاع اورتومتریک از ارتفاع نرمال (h)، به عنوان ارتفاع ژئوئید (N) در نظر گرفته شده است. بنابراین ورودی مدل های ANN، ANFIS، SVR و GRNN مختصات طول و عرض ژئودتیکی ایستگاه ها بوده و خروجی متناظر با آن، ارتفاع ژئوئید است. آموزش مدل ها با استفاده از 22 و 19 ایستگاه انجام گرفته است. به عبارت دیگر تعداد ایستگاه های آموزش متغیر بوده تا بتوان آنالیز دقیق تری از دقت مدل ها را ارائه نمود. به منظور ارزیابی دقیق تر، نتایج با ژئوئید حاصل از مدل IRG2016 که توسط سازمان نقشه برداری کشور تولید شده، مقایسه می شوند. ارزیابی های انجام گرفته نشان می دهد که در حالت 22 ایستگاه آموزش و 4 ایستگاه آزمون، RMSE مدل های ANN، ANFIS، SVR، GRNN و IRG2016 در مرحله آزمون به ترتیب برابر با 37/32، 19/83، 49/34، 53/82 و 29/65 سانتی متر شده است. اما در حالت 19 ایستگاه آموزش و 7 ایستگاه آزمون، مقادیر خطای مدل ها به ترتیب برابر با 36/63، 58/31، 39/64، 41/29 و 24/68 سانتی متر به دست آمده است. مقایسه RMSE نشان می دهد که مدل ANN با تعداد ایستگاه های آموزش کمتر، دقت بالاتری نسبت به مدل های ANFIS، SVR و GRNN ارائه می دهد. نتایج این مقاله نشان می دهد که با استفاده از مدل های ANN و ANFIS می توان ارتفاع ژئوئید را با دقت بالایی به صورت محلی برآورد کرده و مورد استفاده قرار داد.