پیش ­بینی خشکسالی با نمایه­ های SPI و EDI به روش مدل­ سازی ANFIS بر مبنای خوشه ­بندی  C-Mean و SC (مطالعه موردی: استان کهگیلویه و بویراحمد)

نویسندگان

1 استادیار گروه مهندسی عمران، دانشکده فنی و مهندسی، دانشگاه آیت الله العظمی بروجردی (ره)، بروجرد، خرم آباد

2 دانشجوی کارشناسی ارشد مهندسی عمران، دانشکده فنی و مهندسی، دانشگاه یاسوج

3 استادیار گروه مهندسی عمران، دانشکده فنی و مهندسی، دانشگاه یاسوج

چکیده

خشکسالی از جمله اصلی‌ترین و قدیمی‌ترین بلای طبیعی است که اثرات زیست محیطی مهمی را به دنبال دارد. استان کهگیلویه و بویر احمد علیرغم آنکه از لحاظ میزان بارش مقام سوم را در سطح کشور دارا می­باشد، اما خشکسالی‌ها به‌طور متناوب این استان را تحت تأثیر قرار داده و خسارات بسیار سنگینی را به دنبال دارند. ﻳﺎﻓﺘﻦ نمایه‌های اندازه‌گیری ﺧﺸﮑﺴﺎﻟﻲ ﺑﺮﺍﻱ پیش‌بینی ﻭ ﺍﺭﺯﻳﺎﺑﻲ ﻣﮑـﺎﻧﻲ ﻭ ﺯﻣـﺎﻧﻲ ﺍﻳـﻦ ﭘﺪﻳـﺪﻩ به‌منظور ﻣﺪﻳﺮﻳﺖ ﺑﺤﺮﺍﻥ ﺁﻥ ضروری ﻭ ﺣﻴﺎﺗﻲ ﺑﻪ ﻧﻈﺮ می‌رسد. ﺩﺭ ﺍﻳﻦ پژوهش با استفاده ﺍﺯ ﻣﺒﺎﻧﻲ شبکه‌های عصبی مصنوعی (ANN) و مدل ﻋﺼﺒﻲ ﻓﺎﺯﻱ تطبیقی (ANFIS) ﺑﻪ ﻫﻤﺮﺍﻩ آنالیز خوشه‌بندی فازی ﺑﺮﺍﻱ پیش‌بینی ﺧﺸﮑﺴﺎﻟﻲ ﺑﺎ ﻧﻤﺎﻳـﻪ ﺑـﺎﺭﺵ استاندارد (SPI) و نمایه خشکسالی مؤثر (EDI) اﺳﺘﻔﺎﺩﻩ گردیده است. نتایج به دست آمده از پژوهش بیانگر آن است که نمایه SPI با ضریب صحت‌سنجی 0/87 نسبت به نمایه EDI با ضریب صحت‌سنجی 0/73 قابلیت و دقت بیشتری در پیش­بینی خشکسالی دارد و از طرف دیگر راهبرد شبکه عصبی- فازی تطبیقی بر مبنای روش خوشه­بندی تکراری (C-Mean) و کاهشی (SC) در امر مدل‌سازی برای پیش‌بینی خشکسالی از کارایی بالایی برخوردار است. نتایج نشان می­دهد که خوشه‌بندی باعث افزایش دقت مدل‌سازی در مرحله صحت‌سنجی و واسنجی شده است. همچنین خوشه­بندی تکراری با ضریب واسنجی 0/93 و ضریب صحت‌‌سنجی 0/87 بهترین مدل می‌باشد.

کلیدواژه‌ها


عنوان مقاله [English]

Drought forecasting by SPI and EDI indices using ANFIS method based on C-mean and SC clustering (Case study: Kohgiluyeh and Boyer Ahmad Province)

نویسندگان [English]

  • M. Komasi 1
  • M. Malekmahmoudi 2
  • H. Montaseri 3
چکیده [English]

Drought is one of the most and oldest natural disaster that cause significant environmental impacts. Despite Kohgilouyeh and Boyerahmad is in the third place in terms of rainfall but the drought has affect the province intermittently and causes many heavy losses. In other to drought crisis management, finding the index measurement of the drought to predict and evaluate the spatial and temporal of this phenomenon, seems essential. In this research, using Artificial Neural Networks (ANN) and Adaptive Neuro Fuzzy System (ANFIS) model with phase clustering analysis with standardized precipitation index (SPI) and effective drought index (EDI) were used to predict drought. The results of study indicate that the SPI index by validation coefficient 0.87 has more capability and accuracy than EDI index by validation coefficient 0.73 in predicting of drought. On the other hand according to C-mean and SC clustering in modeling for predicting the drought, ANFIS approach has more efficacy the result show that, clustering causes the increasing of model accuracy in verification and calibration stages. C-mean clustering by calibration coefficient 0.93 and validation coefficient 0.87 is the best model.

کلیدواژه‌ها [English]

  • Drought
  • Clustering
  • ANFIS
  • Kohgilouyeh and Boyer Ahmad
  • SPI and EDI