دو فصلنامه علمي- پژوهشي خشك بوم جلد 3 شماره بهار و تابستان 39 "مقاله كوتاه پژوهشي" بررسي عملكرد شبكه عصبيمصنوعي و سريهاي زماني در مدلسازي شاخص خشكسالي بارش استاندارد (مطالعه موردي: ايستگاههاي منتخب استان خوزستان) محمدرضا گلابي دانشجوي كارشناسي ارشد گروه مهندسي منابع آب دانشگاه شهيد چمران اهواز hamid_golabi65@yahoo.com فريدون رادمنش استاد يار دانشكده مهندسي علوم آب دانشگاه شهيد چمران اهواز علي محمد آخوند علي استاد دانشكده مهندسي علوم آب دانشگاه شهيد چمران اهواز چكيده دريافت: 39/03/ پذيرش: 39/03/0 خشكسالي پديدهاي طبيعي است كه ميتواند در هر جايي رخ دهد و خسارات قابل توجهي به بشر و سازههاي طبيعي وارد آورد. در اين تحقيق به منظور پيشبيني شاخص خشكسالي بارش استاندارد از دو نوع شبكههاي عصبيمصنوعي پرسپترون چند لايه و تابع پايهي شعاعي و مدلهاي سريزماني استفاده شد. به اين منظور در ابتدا مقادير شاخص بارش استاندارد در دورههاي سه شش نه و دوازده ماههي ايستگاههاي منتخب استان خوزستان محاسبه گرديد. سپس با استفاده از مدلهاي شبكه عصبيمصنوعي و سريهاي زماني اقدام به پيشبيني مقادير شاخص بارش استاندارد گرديد. نتايج اين تحقيق نشان داد كه مدلهاي سريزماني در تمام دورههاي زماني مورد مطالعه عملكرد بهتري در پيشبيني مقادير شاخص بارش استاندارد نسبت به شبكههاي عصبيمصنوعي دارند و شبكه عصبيمصنوعي پرسپترونچندلايه نيز نسبت به شبكه عصبيمصنوعي تابع پايهي شعاعي در تمام دورهها مقادير شاخص بارش استاندارد را بهتر پيشبيني ميكند. واژههاي كليدي: خشكسالي پيشبيني شبكههاي عصبيمصنوعي سريهاي زماني شاخص بارش استاندارد خوزستان. مقدمه خشكي و خشكسالي يكي از ويژگيهاي اجتنابناپذير و زيانبار اقليمي كشور ايران به شمار ميرود بنابراين پژوهش و مطالعه در اين زمينه بسيار ضروري است. خشكسالي غالبا يك پديدة خزنده توصيف ميشود و توصيف زماني و مكاني آن بسيار مشكل است. يكي از قدمهاي مهم و اساسي در مطالعات خشكسالي و ترسالي براي بيان كمي خشكسالي و همچنين ارزيابي آن در مقياسهاي مختلف زماني و مكاني در هر منطقه تعيين شاخصهايي است كه ميتوان براساس آنها ميزان شدت و تداوم خشكسالي و ترسالي را ارزيابي كرد. شاخص مورد استفاده در اين تحقيق شاخص بارش استاندارد است () كه يكي از جامعترين شاخص مطالعه خشكسالي و ترسالي به شمار ميآيد. تغييرپذيري باعث ميشود كه در مقياسهاي كوتاهمدت براي اهداف كشاورزي و در مقياس هاي بلندمدت براي اهداف هيدرولوژي مورد استفاده قرار گيرد. پيشبيني خشكسالي در برنامهريزيهاي كشاورزي و منابع آب با اهميت بوده و در يك نظام هدفمند و جامع مديريتي منجر به برنامهريزي در ذخيره آبي سدها پيش- بيني ميزان واردات موادغذايي تغيير الگوي كشت اطلاع رساني براي پيشآگاهي مبارزه با خشكسالي و غيره خواهد شد. از شبكه عصبي و سريهايزماني در پيشبيني خشكسالي استان خراسان رضوي استفاده نمود و مدل سريهاي زماني را جهت پيشبيني خشكسالي پيشنهاد كردند[ 3 ]. با استفاده از شبكه عصبيمصنوعي به پيش- بيني خشكساليهاي شهر خاش در سه بازه زماني ماهانه سه ماهه و دوازدهماهه پرداختند[ 7 ]. مقايسه نتايج با مدل رگرسيوني نشان دهندة برتري شبكه عصبي در مقايسه با مدل رگرسيوني بود.
بررسي عملكرد شبكه عصبيمصنوعي و سريهاي زماني در مدلسازي شاخص خشكسالي بارش استاندارد محمدرضا گلابي و همكاران 83 u u ε θ ε [4] به مدلسازي بارش فصلي با استفاده از شبكه () عصبيمصنوعي و مدل ARIMA در استان خوزستان پرداخت. مشخص گرديد كه شبكه عصبيمصنوعي در مقايسه با مدلARIMA نتايج بهتري ميدهد. در تحقيقي به پيشبيني خشكسالي هواشناسي بر اساس شاخص توسط مدلهاي SARIMA كشور تركيه پرداخت[ ]. در حوزهاي در و ARIMA هدف از انجام اين تحقيق مدلسازي و پيشبيني ش اخص خشكس الي مصنوعيپرسپترونچندلايه مصنوعي با تابع پايهي شعاعي زماني است. با استفاده از شبكهعصبي- (MLP) (RBF) (ARIMA) مواد و روشها و شبكه عصبي و مدل سريهاي و مقايسه نتايج اين مدلها با يكديگر در اين مطالعه از دادههاي بارش ماهانه سه ايستگاه هواشناسي استان خوزستان شامل اهواز آبادان و دزفول كه داراي آمار بلندمدت بارندگي هستند استفاده شد. دورة زماني مورد مطالعه در اين تحقيق يك دوره 48 ساله است از 340 تا 387 قرار دارد. شاخص شاخص بارش استاندارد () توسط [5] جهت تعيين دورههاي خشكسالي و ارزيابي شدت آن تدوين شد. براي تعيين شاخص ابتدا يك توزيع گاما با دادههاي بارش هر ايستگاه برازش داده. سپس تبديل احتمال تجمعي از توزيع گاماي بهدست آمده به توزيع نرمال استاندارد تجمعي با ميانگين صفر و واريانس يك صورت مي گيرد. مدل سريهاي زماني مدل سريهاي زماني در مورد دادههايي كه همبستگي سريالي دارند مورد استفاده قرار ميگيرد. مدلهاي- ARIMA نوع ويژهاي از مدلهاي ARMA هستند كه در سريهايي كه ناايستا هستند و با تفاضلگيري ايستا مي- گردند مورد استفاده قرار ميگيرند. يك مدل ARIMA را ميتوان به صورت رابطه () نشان داد. در اين رابطه: u اصلي و پارامترهاي مدل q و p سري حاصل از تفاضلگيري dام سري مرتبههاي هر يك از جزءهاي ميانگينمتحرك و اتورگرسيو است. فرض ميشود كه متغير تصادفي در زمان t داراي توزيع نرمال ميانگين صفر و واريانس يك است. اگر q=0 مدل AR از مرتبه p يك مدل MA با مرتبه ميشود و وقتي سپس رابطه () يك p=0 q شبكه عصبيمصنوعي ميشود [3]. است رابطه () شبكههاي چند لاية پيشخور يكي از مهمترين ساختارهاي شبكههاي عصبي مصنوعي هستند كه سيگنال ورودي در خلال شبكه و در مسيري رو به جلو به صورت لايه به لايه منتشر ميشود. اين نوع شبكه معمولا پرسپترون چند لايه (MLP) ناميده ميشود. شبكههاي RBF نيازمند نرونهاي بيشتري نسبت به شبكههاي استاندارد پيشخور ميباشد ولي اغلب اين شبكهها را مي توان در زماني كوتاهتر نسبت به زمان مورد نياز براي شبكههاي پيشخور آموزش داد [6]. پس از بازسازي و تعيين درستي آمار هر يك از ايستگاهها اقدام به محاسبه مقادير در مقياسهاي زماني سه شش نه و دوازده ماهه گرديد. سپس به پيش- بيني مقادير آنها با استفاده از مدلهاي سريهاي زماني پرداخته شد. براي توسعه مدلهاي سريهاي زماني بر اساس الگوريتم پيشنهادي [] سه مرحله تشخيص برآورد و تعيين صحت مدل وجود دارد. براي استفاده از شبكهعصبي ابتدا دادهها بطور تصادفي به سه دسته تقسيم شدند: مجموعه آموزش با %75 كل 3 دادهها مجموعه اعتبارسنجي با %0 كل دادهها و 4 مجموعه آزمون با %5 باقيمانده دادهها. بعد از پردازش بهترين ساختار شبكهعصبي با سعي و خطا و با توجه به مقايسه معيارهاي عددي عملكرد انتخاب شد. بردار ورودي تركيب متفاوتي از مقادير پيشين بود كه -Train - Cross Validation 3-Test -Auto Regressive Integrated Moving Average
84 دو فصلنامه علمي- پژوهشي خشك بوم جلد 3 شماره بهار و تابستان 39 بهترين بردار ورودي با سعي و خطا مشخص گرديد. مجموعهي بردارهاي ورودي در جدول () نشان داده شده است. بر اساس بررسيها و دامنهي دادههاي ورودي و خروجي در اين تحقيق از تابع تانژانت هيپربوليك به عنوان تابع تحريك نرونهاي لايه مخفي و از تابع خطي به عنوان تابع تحريك نرونهاي لايه خروجي استفاده شد. از ميان الگوريتمهاي مختلف آموزش به دليل همگرايي سريعتر در آموزش از الگ وريتم ل ونبرگ-م اركوارت استفاده گرديد. تعداد تكرارهاي شبكه برابرتعداد دادههاي يادگيري بوده و در اين بررسي براي هر شبكه 00 دور در نظر گرفته شد. معيارهاي عددي كه در تعيين كارآيي مدلها و در نتيجه انتخاب بهترين مدل به كار ميرود شامل ريشه ميانگين مربعات خطا (RMSE) وميانگين 4 3 مطلق خطا (MAE) و ضريب همبستگي خطي (R) هستند. بحث و نتايج در ابتدا اقدام به محاسبة شاخص در مقياسهاي زماني 9 6 3 و ماهه براي هر يك از ايستگاههاي مورد مطالعه شد. در تمام ايستگاههاي مورد مطالعه با افزايش مقياس زماني از شدت دوره خشك و تر كاسته شده است. اما دوام دورههاي خشك و تر افزايش يافته است. علت آن اين است كه در محاسبه شاخص از مقدار بارش تجمعي ماههاي قبل استفاده ميشود و به همين خاطر است كه در مقياسهاي زماني كوتاهمدت مقدار بارش كل كمتر از مقياس زماني بلندمدت است. به عبارت ديگر هر تغيير غيرقابل انتظاري در مقدار بارش يك ماه تاثير معنيداري روي مقادير ميگذارد. سپس اقدام به توسعهي مدلهاي گوناگون سريهاي زماني براي هر يك از ايستگاههاگرديد. پس از انتخاب مدل مناسب با استفاده از آن اقدام به پيشبيني مقادير ايستگاهها گرديد (جدول ). جدول - بردارهاي ورودي مورد استفاده در شبكههاي عصبيمصنوعي ورودي نام مدل S t- در هر يك از جدول - عملكرد مدلهاي سريهاي زماني در ايستگاههاي مورد مطالعه MAE RMSE R مقياس زماني مدل ايستگاه 0/543 3/ 0/90 3 (0,,)(0,0,) 3 0/54 46/3 0/96 9 (,0,)(0,0,) 9 اهواز 0/86 8/6 0/94 (0,,)(0,0,) 0/57 39/ 0/834 6 (,,0)(,0,) 6 0/353 7/9 0/938 (,,0)(,,) دزفول 0/837 6/5 0/863 3 (0,0,0)(0,0,0) 3 0/698 5/3 0/859 6 (,0,0)(0,0,) 6 0/4973 33/7 0/934 9 (,,0)(0,0,) 9 آبادان 0/3 7/6 0/96 (,,)(0,0,) در گام بعدي مدلهاي گوناگون شبكه عصبي پرسپترونچندلايه (MLP) و شبكه عصبي با تابع پايهي شعاعي (RBF) براي هر يك از ايستگاههاي مورد مطالعه ساخته شد. براي شبكه عصبيمصنوعي يك شبكه با يك لايه مخفي كه تعداد نرونهاي لايه مخفي از -6 امتحان شد مورد استفاده قرار گرفت. تعداد بهينه نرون- هاي لايه مخفي با سعي و خطا مشخص گرديد. نتايج مربوط به تمام مدلهاي شبكه عصبيمصنوعي در جدول 3 و 4 اراي ه شده است. جدول 3 - عملكرد مدلهاي گوناگون شبكهعصبي MLP در ايستگاه- هاي مورد مطالعه R MAE RMSE ايستگاه مقياس شماره بردار زماني ورودي 0/875 0/3840 55/7 3 0/93 0/47 54/75 9 اهواز 0/8863 0/07 33/9 0/75 0/43 5/8 6 0/89 0/8 37/3 دزفول 0/853 0/639 85/0 3 0/830 0/558 7/3 6 0/97 0/34 5/9 3 9 آبادان 0/876 0/863 9/65 S t-, S t- 3 S t-, S t-, S t-3 4 S t-, S t-, S t-3, S t-4 5 S t-, S t-, S t-3, S t-4,s t-5 4- Levenberg - Marquardt 5- Root Mean Squared Error 6-Mean Absolute Error 7-Correlation Coefficient
بررسي عملكرد شبكه عصبيمصنوعي و سريهاي زماني در مدلسازي شاخص خشكسالي بارش استاندارد محمدرضا گلابي و همكاران 85 با توجه به جداول 3 و 4 مشاهده شد كه در شبكهي و غيرخطي بودن فرآيند مورد بررسي در نظر گرفته مي- عصبي MLP به عنوان مثال براي ايستگاه اهواز بهترين شود. در خشكسالي هواشناسي مقادير به گونهاي مدل برازشيافته در مقياس 3 9 و ماهه مدلي است كه مستقيم در ارتباط با مقادير بارش بوده و مقادير بارش نيز بردار ورودي مورد استفاده در آن ) جدول 3) بردار يك فرآيند احتمالي ميباشد تا يك فرآيند غيرخطي. شماره است. با توجه به جداول و 3 و 4 و مقايسه معيارهاي عددي عملكرد مدلهاي برازشيافته ملاحظه ميشود كه عملكرد مدلهاي سريزماني در مقطعهاي زماني مورد مطالعه بهتر از مدلهاي شبكه عصبي است. عملكرد مدل شبكهي عصبيMLP نيز در برازش به داده- هاي مورد مطالعه بهتر از شبكهي عصبي RBF است. استان خراسانرضوي استفاده كرده و مدل سريهاي همچنين عملكرد مدلهاي شبكه عصبي و سريهاي زماني را جهت پيشبيني خشكسالي پيشنهاد نمودند. در زماني در پيشبيني مقادير 9 و ماهه بهتر از 3 و نهايت با توجه به نتايج بهدست آمده از اين پژوهش 6 ماهه است. در بين سه ايستگاه مورد مطالعه مقادير در ايستگاه اهواز بهتر از ايستگاههاي ديگر پيشبيني شده خشكساليهاي آتي در اين استان پيشنهاد ميگردد. است. در شكلهاي و مقادير مشاهداتي و پيش- بيني شده با استفاده از مدل ARIMA و شبكه عصبيMLP در مقياس زماني 9 ماهه براي ايستگاه آبادان را نشان ميدهد. نتيجهگيري بر اساس نتايج نه ماهه نسبت به دورههاي زماني ديگر اين شاخص حداكثر ضريب همبستگي را در هر سه روش دارا است. در روش سريهاي زماني عدم قطعيت موجود در پيشبيني مقادير ناشي از احتمال در نظر گرفته ميشود در صورتي كه در روشهاي هوش مصنوعي اين عدم قطعيت ناشي از عدم قطعيت در عاملها و امكان همچنين نتايج بيانگر اين امر است كه در هر سه مدل مقادير مقادير براي مقياسهاي زماني 9 و ماهه بهتر از براي دورههاي 3 و 6 ماهه پيشبيني گرديد. مشابه اين نتايج را [3] بهدست آوردند. آنها از شبكه عصبي و سريهاي زماني براي پيشبيني مقادير جدول 4 - عملكرد مدلهاي گوناگون شبكه عصبي RBF در ايستگاه هاي مورد مطالعه R MAE RMSE ايستگاه مقياس شماره بردار زماني ورودي 0/85 0/439 58/6 3 0/860 0/486 56/ 9 اهواز 0/83 0/3 34/7 0/74 0/40 53/5 6 0/84 0/3 4/3 دزفول 0/795 0/645 86/6 3 0/85 0/567 73/ 6 آبادان 0/8634 0/35 54/ 9 0/8 0/95 3/8 در استفاده از مدلهاي سريهاي زماني جهت پيشبيني OB ARIMA 9 0 - - 6 6 6 3 36 4 46 5 56 6 66 7 76 8 86-3 شكل - مقادير پيشبينيشده و مشاهداتي دورة زماني 9 ماهه با استفاده از مدل ARIMA براي ايستگاه آبادان.
86 دو فصلنامه علمي- پژوهشي خشك بوم جلد 3 شماره بهار و تابستان 39 9.5 0.5 0-0.5 - -.5 - -.5-3 6 6 6 3 36 4 46 5 56 6 66 7 76 8 86 OB MLP شكل - مقادير پيشبيني شده و مشاهداتي دورة زماني 9 ماهه با استفاده از مدل شبكه عصبي MLP براي ايستگاه آبادان. References.Box, G. E. P., & Jenkins, G. M. (976). Time series analysis forecasting and control, Holden-Day, San Francisco, 575p..Durdu, F. (00). Application of linear stochastic models for drought forecasting in the Buyuk Menderes river basin, western Turkey. Stoch Environ Res Risk Assess, 4, 366 383. 3.Fathabadi, A., Gholami, H., Salajeghe, A., Azanivand, H., & Khosravi, H. (009). Drought forecasting using neural network and stochastic models. Advances in Natural and Applied Sciences, 3(), 37-46. 4.Golabi, M. R., Radmanesh, F., Akhondali, A. M., & Kashefipoor, M. (03). Simulation of Seasonal precipitation using ANN and ARIMA Models: A case study of (Iran) Khozestan. Elixir Computer Science and Engineering, 55, 3039-3046. 5.McKee, T. B., Doesken, N. J., & Kleist, J. (993). The relationship of drought frequency and duration to time scales, In: 8 th Conference on Applied Climatology. American Meteorological Society, Boston, MA, 79-84. 6.Menhaj, M. B. (005). Foundations of Neural Networks, Amir Kabir University of Technology, Tehran. 7.Negaresh, H., Armesh, M. (0). Drought Forecasting in Khash City by Using Neural Network. Arid Regions Geographic Studies, (6), 33-50.
Arid Biome Scientific and Research Journal Vol. 3 No. 03 "Short Research Paper" An Investigation of Artificial Neural Network and Time Series Performance in the Index Standard Precipitation Drought Modeling (Case Study: Selected Stations of Khuzestan Province) - M. R. Golabi, MSc Student of Water Resource Engineerring, Faculty of Water Engineering. hamid_golabi65@yahoo.com - F. Radmanesh, Assistant Professor, Faculty of Water Engineering, Shahid Chamran University, Ahvaz, Iran. 3- A. M. Akhondali, Professor Faculty of Water Engineering, Shahid Chamran University, Ahvaz, Iran. Accepted: 3 May 0 Received: 0 Jun 03 Abstract Drought is a natural phenomenon which may happen everywhere and cause remarkable damages to human and natural structures. In this study, two types of artificial Neural networks; multilayer perceptron, radial basis function, as well as time series models have been used to predict the standardized pereipitation drought index. To this end, the amount of standard precipitation index was calculated firstly in the selected stations of Khuzestan province in three, six, nine, and twelve months periods. Finally, the amount of standard precipitation index was predicted using the artificial Neural network and time series models. The results showed that the time series models have better performance in predicting the amount of standard precipitation index in all of the mentioned time periods in comparison to the artificial Neural network. In addition, the results indicated that the multilayer perceptron could better predict the amount of standard precipitation index in all periods comparing to the radial basis function. Keywords: Drought; Prediction; Artificial Neural Network; Time series; Standard precipitation index; Khuzestan