پیش بینی خشکسالی با بکارگیری از مدل های... مجلة مخاطرات محیط طبیعی سال چهارم شماره ششم زمستان 94 تاریخ دریافت مقاله: 99/60/7 تاریخ پذیرش مقاله: 94/77/7 صفحات: 37-93 پیشبینی خشکسالی با بکارگیری از مدلهای شبکه عصبی مصنوعی و سیستم استنتاج عصبی- فازی تطبیقی در حوزة م ند استان فارس مهناز رستمی دکتر احمد پهلوانروی* علیرضا مقدم نیا چکیده امروزه خشکسالی یک معضل جد ی و گریبانگیر در بسیاری از کشورهای جهان است بنابراین پیشبینی آن از اهمیت بهسزایی برخوردار میباشد. در این تحقیق کارایی شبکة عصبی مصنوعی و سیستم استنتاج عصبی- فازی تطبیقی به عنوان روشهایی مؤثر برای پیشبینی شدت خشکسالی حوزة "م ند" استان فارس مورد بررسی قرار گرفت. برای این منظور از دادههای بارندگی ماهانة ایستگاه بارانسنجی تنگاب استان فارس با دورة آماری 93 ساله استفاده گردید. شدت خشکسالی در دورة ماهانه با استفاده از شاخص بارندگی استاندارد شده )SPI( تعیین شد سپس بهوسیلة مدلهای ANN و ANFIS و با استفاده از شاخص SPI پیشبینی شدت خشکسالی انجام گردید. از بین دادههای موجود 6 درصد به عنوان دادههای آموزش و مابقی به عنوان دادههای اعتبارسنجی و دادههای آزمون انتخاب شد سپس از طریق معیارهای آماری شامل ضریب همبستگی میانگین مجذور مربعات خطا و ضریب ناش به کارایی عملکرد مدلها پرداخته شد. نتایج نشان دادد که دقت روش شبکههای عصبی مصنوعی از روش سیستم استنتاج عصبی- فازی تطبیقی بیشتر میباشد همچنین یافتههای حاصل از این بررسی نشان میدهد که هرچه پراکندگی دادههای ورودی مدل بیشتر باشد مدل استنتاج عصبی- فازی تطبیقی دارای توانایی بیشتری در شبیهسازی این نوع از دادهها میباشد. کلید واژه ها: خشکسالی شبکة عصبی مصنوعی سیستم استنتاج عصبی- فازی تطبیقی شاخص SPI حوزة آبریز م ند استان فارس. Pahlavanravi@uoz.ac.ir دانشجوی کارشناسی ارشد گروه آب و خاک دانشکدة کشاورزی دانشگاه زابل دانشیار گروه آب و خاک دانشکدة کشاورزی دانشگاه زابل )نویسنده مسئول( 9- دانشیار گروه مرتع و آبخیزداری دانشکدة کشاورزی دانشگاه تهران
مجله مخاطرات محيط طبيعی سال چهارم چاپ ششم زمستان 493 مقدمه خشکسالی وضعیتی از کمبود بارندگی و افزایش دماست که در هر وضعیت اقلیمی ممکن است رخ دهد )علیزاده 6(. 83: این وضعیت خطرات زیادی را برای یک منطقه ایجاد میکند زیرا کاهش رطوبت سیستمهای حیاتی را که به آب وابستهاند مختل میکند و چه بسا این سیستمها از بین بروند )کاویانی و علیجانی 63(. 833: همچنین خشکسالی یکی از بالیای طبیعی است که در مقایسه با سایر بالیای طبیعی از نقطه نظر میزان شدت طول مدت واقعه گسترش منطقه تلفات جانی خسارتهای اقتصادی و اثرات بلندمدت از بلندترین درجات برخوردار است. خسارتهای خشکسالی عمدتا به شکل کاهش عملکرد مراتع کاهش تولید محصوالت زراعی - بهویژه دیم - کاهش منابع آب کشاورزی و شرب کاهش منابع آب سطحی و زیرزمینی طغیان آفات و بیماریهای گیاهی و دامی افزایش مهاجرت و در نهایت اثرات سوء زیستمحیطی اقتصادی و اجتماعی ظاهر میشود که توسعة پایدار منطقه را مورد تهدید قرار میدهد. است. پایة خشکسالی یک است بدیهی برای روشهایی و تکنیکها ارائة به نیاز و است خزنده پدیدة پیشبینی نقطة شروع و خاتمه دورة خشک دارد. یک سیستم پیشبینی کار آمد میتواند در راهبرد بهینة سیستم های آبیاری مؤثر باشد بدین خاطر متخصصان و دانشمندان علم هیدرولوژی و سایر رشتههای مرتبط در پی ایجاد مدلهایی مناسب به منظور پیشبینی بهموقع این حوادث شدهاند. ظهور تئوریهای توانمندی همچون الگوریتمهای فازی شبکة عصبی تحولی عظیم در تحلیل رفتار سیستمهای دینامیک در علوم مختلف مربوط به آب ایجاد کرده برای پیشبینی خشکسالی در ایستگاه" نوده" واقع در حوضة گرگانرود از دو نوع شبکة عصبی پرسپترون و پایة شعاعی استفاده شده است. بررسی نتایج حاصل از این پژوهش نشان داد که شبکه عصبی پرسپترون نسبت به شبکة شعاعی دارای توانایی بیشتری جهت پیشبینی خشکسالی همکاران 833(. شبکة زمانی تأخیر مدل که است و نتایج بهتری حاصل میشود )عیوضی و خشکسالیهای هیدرولوژیک در استان همدان با استفاده از شبکة عصبی مصنوعی پیشبینی شده نشان دادند خشکسالیها در آینده استفاده عصبی تطابق بیشتری است )یزدانی و بانژاد 833(. مقادیر مشاهدهای دارد با پیشبینی در مطلوب روشی و برای پیشبینی خشکسالی در حوضة لیقوانچای از شاخصهای پیشبینی خشکسالی و شبکة عصبی مصنوعی شدهاست همکاران 833(. پیشبینی برای باالتری کارایی عصبی شبکة مدل شد مشخص که )اعلمی و دارد خشکسالی خشکسالی استان یزد با استفاده از دادههای اقلیمی و مدل شبکة عصبی پیشبینی شدهاست نتایج حاصل از این تحقیق انعطافپذیری باالی شبکة عصبی نسبت به فقدان دادههای ورودی و توانایی خوب این شبکه جهت پیشبینی خشکسالی را اثبات کرد )افخمی و همکاران 83(. در مطالعهای با استفاده از شبکة عصبی مصنوعی و سیگنالهای بزرگ مقیاس اقلیمی به مطالعه خشکسالیهای ایران پرداخته شده است. نتایج حاصل از خروجی مدل عصبی نشان داد که طی فاز گرم ENSO و فاز منفی -El Nino Southern Oscillation (ENSO)
پیش بینی خشکسالی با بکارگیری از مدل های... NAO شرایط ترسالی و طی فاز سرد ENSO و مثبت NAO شرایط خشکسالی در ایران به وقوع کردار و فتاحی 833(. میپیوندد )صداقت پیشبینی خشکسالی در اسپانیا با استفاده از مدل شبکة عصبی مصنوعی صورت گرفته است که در آن از یک شبکة پرسپترون چند الیه و الگوریتم پسانتشار خطا برای آموزش شبکه استفاده نمودند. نتایج بررسیها نشان داد که مدل شبکة عصبی مصنوعی میتواند پیشبینیهایی با دقت باال از تعداد خشکسالیها و طول متوسط خشکسالی ارایه نماید )کریسیو و مورا, 8( پیشبینی شاخص خشکسالی SPI با استفاده از شبکة عصبی انجام شده است برای پیشبینی خشکسالی در حوضة رودخانة کاناباتی از مدل هیبریدی و یک شبکه غیرخطی عصبی مصنوعی استفاده کردند نتایج نشان داد که مدل ترکیبی مورد نظر دقت باالیی برای پیشبینی خشکسالی دارد )میشرا و دیسای 006 (. برای پیشبینی خشکسالی در سه منطقه از حوضة رودخانه سان فرانسیسکو در شمال شرق برزیل روش شبکه- های عصبی پسانتشار بکار گرفته شده است که نتایج دقت باالی مدل شبکه عصبی را تأیید.)00 کرد )سانتوس و همکاران برای پیشبینی خشکسالی از شبکههای عصبی و مدلهای رگرسیونی در حوضة رودخانه اتیوپی لهستان استفاده شده است. هدف از پژوهش مقایسه روش شبکة عصبی و مدلهای رگرسیونی برای پیشبینی بلند مدت خشکسالی در مناطق خشک بوده است. که نتایج نشان داد مدل رگرسیون خطی کارایی بهتری از شبکههای عصبی مصنوعی میباشد )میشرا و سینگ 0(. جهت بیان کم ی خشکسالی از شاخصهای خشکسالی استفاده شده است. با استفاده از این شاخصها اطالعات الزم دربارة آغاز خاتمه و شدت خشکسالی در مقیاسهای زمانی و مکانی مختلف فراهم میآید. در بین انواع شاخص- های ارائه شده برای این منظور شاخص بارندگی استاندارد )SPI( بیشترین توجه محققین را به خود معطوف داشته است. این شاخص بر مبنای احتماالت بارندگی در مقیاسهای زمانی مختلف ارائه گردیده است و بسیاری از محققین به توانایی آن در پایش جنبههای مختلف خشکسالی اشاره داشتهاند ( فرخ نیا و همکاران 833(. از مدل ANFIS به منظور پیشبینی خشکسالی در کشور ترکیه استفاده نمودند مدلهای پیشبینی مختلفی برای SPI با مقیاسهای زمانی 8 و ماهه مورد بررسی قرار گرفتند. نتایج نشان داد که ترکیب مقادیر پیشین بارندگی و شاخص SPI با یکدیگر بهبود عملکرد مدلها را به همراه دارد. مقایسههای انجام گرفته با نتایج روشهای شبکه عصبی )باکانلی و همکاران 003(. FFNN و رگرسیون خطی چندگانه نشان از ارجحیت مدل ANFIS نسبت به دو مدل دیگر داشت از قابلیتهای سیستم استنتاج عصبی- فازی تطبیقی برای پیشبینی خشکسالیهای پاییزه شهر زاهدان استفاده شده است. برای این منظور از متغیرهایی نظیر بارندگی و شاخصهای اقلیمی به عنوان ورودیهای مدلها استفاده کردند و به پیشبینی شاخص خشکسالی SPI پاییزه پرداختند. نتایج نشان از قابلیت مدل ANFIS در پیشبینی -(ANFIS) Adaptive Neuro-Fuzzy Inference System -Fast Forward Neural Network (FFNN)
مجله مخاطرات محيط طبيعی سال چهارم چاپ ششم زمستان 493 فصلی خشکسالی در منطقة مورد مطالعه داشت )نیکنام و همکاران 83(. پیشبینی خشکسالی زاهدان با استفاده از مدل عصبی- فازی شاخصهای اقلیمی بارندگی و شاخص خشکسالی انجام شده است نتایج بهدست آمده نشان داد که شاخص خشکسالی SPI تنها در بازة زمانی سه ماهة سپتامبر- اکتبر- نوامبر نتایج قابل قبولی را برای پیشبینی خشکسالی پاییزه به دست میدهد )اژدری مقدم و همکاران 80(. مطالعة حاضر تالشی در جهت پیشبینی خشکسالی در ایستگاه سینوپتیک تنگاب حوزة مند است که در آن با استفاده از دادههای بارندگی دما و شاخص خشکسالی سیستم استنتاج عصبی- فازی تطبیقی پرداخته شدهاست. به بررسی قابلیت SPI مدلهای شبکة عصبی مصنوعی و داده ها و روش شناسی حوزة آبخیز رودخانة م ند 43674 کیلومترمربع مساحت دارد که بخشی از حوزة آبریز خلیج فارس و دریای عمان میباشد و اصلیترین رودخانة این حوزه رودخانه م ند میباشد. بخش عمدهای از این حوضه در استان فارس و فقط قسمت کمی از آن در استان بوشهر قراردارد. این منطقه بین 03-7 تا 4-74 طول شرقی و 3-3 تا 74 - عرض شمالی واقع شدهاست. حداکثر ارتفاع در این حوزه 837 متر در خرمنکوه در شمال شرق حوزه و حداقل آن 7 متر در حاشیة خلیج فارس میباشد. شکل )( موقعیت منطقه مورد مطالعه را نشان میدهد: شکل 7 :موقعیت منطقه مورد مطالعه در این تحقیق جهت پیشبینی خشکسالی ایستگاه تنگاب حوزة م ند از دادههای بارش و دما برای یک دورة 8 ساله )3-0( استفاده شدهاست. در ابتدا آزمون همگنی دادهها در نرم افزار SPSS محاسبه شده است. آزمون گردش حول میانگین یا»ران تست«یکی از متداولترین آزمونهای غیر نموداری مورد استفاده برای تأیید همگنی
پیش بینی خشکسالی با بکارگیری از مدل های... دادههاست )مجرد قره باغ 836(. نتایج آزمون رانتست در جدول )( آورده شده است. تفسیر خروجی نرمافزار بیانگر این مطلب است که تصادفی بودن دادهها و فرضیة صفر رد میشود و دادهها از راندمان خوبی برخوردار میباشند. جدول 7: نتایج آزمون ران تست Asymp. Sig. Z Number of Total Cases Cases >= Cases < Test Value (-tailed) Runs Test Value Test Value. 000-8/ 34 3 403 04 04 3 dama. 000 -/ 36 37 403 04 04 barsh تفسیر خروجی آزمون فرض: آماره آزمون: توالی گردشها تصادفی است Ho: توالی گردشها تصادفی نیست : H R=Number of Runs, Z= Z0.0=.37 مقدار بحرانی: چون Z0.0=.37 > ایستگاهها تصادفی نمیباشد. میباشد فرض Ho رد میشود و نتیجه میگیریم که توالی گردش دادهها در کلیة شاخص مورد استفاده شاخص بارش استاندارد شده یا SPI میباشد که توسط مک کی و همکاران به منظور پایش خشکسالی اقلیمی ابداع گردید (مک کی و همکاران 8). برای تعیین شاخص SPI ابتدا یک توزیع گاما به دادههای بارش ایستگاه برازش داده میشود در مرحلة بعد تبدیل احتمال تجمعی از توزیع گامای بهدست آمده به توزیع نرمال استاندارد تجمعی با میانگین صفر و واریانس یک صورت میگیرد بدین ترتیب مقادیر SPI مطابق رابطة در توزیع نرمال استاندارد بهدست میآید )ادوارد 3(. : - Mckee et al. -Edwards
مجله مخاطرات محيط طبيعی سال چهارم چاپ ششم زمستان 493 i انحراف از معیار دادههای i امین ایستگاه X ik X i متوسط بارندگی ایستگاه i ام میباشد. مقادیر بارندگی برای i امین ایستگاه و K امین مشاهده و شبکههای عصبی مصنوعی با ساختار پرسپترون چند الیه رایجترین شبکههای عصبی میباشد. این شبکهها جزء شبکه های عصبی پیشخور میباشند که قادرند با انتخاب مناسب تعداد الیهها و نرونها یک نگاشت غیرخطی را با دقت دلخواه انجام دهند. پارامترهای قابل تنظیم در شبکههای MLP وزن اتصاالت مابین الیهها است و فرآیند آموزش در این شبکهها به معنی یافتن مقادیر مناسب برای وزنهای اتصاالت بین نرونها است. متداولترین الگوریتم یادگیری این شبکهها الگوریتم پسانتشار خطا است. در شبکههای پیشخور نرونها در الیههایی که در الیة اول )ورودی( شروع و به الیة خروجی ختم میشوند آرایش مییابند )فتحی و کوچکزاده 838(. شکل 3 : ساختار شبکه عصبی مصنوعی پرسپترون چند الیه)منهاج 793( بین نرونهای الیههای مختلف اتصاالتی وجود دارد که هر کدام دارای وزنهایی میباشد. طی فرایند آموزش این وزنها و مقادیر ثابتی که با آنها جمع میشود و در اصطالح بایاس نامیده میشود به طور پی در پی تغییر میکنند تا خطای بین مقادیر تخمین زده شده و مقادیر واقعی به حداقل مقدار خود برسد. برای انتقال خروجیهای هر الیه به الیههای بعدی از توابع محرك استفاده میشود. جهت یادگیری شبکة عصبی مصنوعی از فرآیند آموزش استفاده میشود ( حسنپور کاشانی و همکاران 836(. مدلهای عصبی فازی که توسط جانگ در سال 8 گسترش یافت جهت تسهیل فرآیند یادگیری و انطباق منطق فازی را با شبکههای عصبی مصنوعی ترکیب میکند. یک شبکة تطبیقی ساختار پیشرو چندالیهای است که رفتار کلی خروجی آن بهوسیلة مقدار یک مجموعه از پارامترهای قابل اصالح تعیین میگردد. با استفاده از این شبکة عصبی تطبیقی مشکل اصلی استفاده از سیستم استنتاج فازی که همان بهدست آوردن قواعد "اگر-آنگاه" -Jang
پیش بینی خشکسالی با بکارگیری از مدل های... فازی و بهینهسازی پارامترهای مدل میباشد برطرف میگردد که پارامترهای آن را میتوان با ترکیب روشهای حداقل مربعات خطا و انتشار خطا به عقب بر اساس کاهش گرادیان برآورد نمود )فرخ نیا و همکاران 833(. شکل 9: معماری کلی مدل فازی- عصبی تطبیقی) 990, )Chang توابع عضویت بکار رفته در این پژوهش از نوع گوسی میباشد که به شرح ذیل میباشد: تابع عضویت گوسی : یک تابع عضویت گوسی با دو پارامتر }c,σ{ مشخص میشود: x c gaussian ( x; c, ) exp( ( ) ) : در رابطة فوق c مرکز و σ عرض تابع عضویت محسوب میشود. شکل )4( میدهد: نمودار تابع عضویت گوسی را نشان شکل 4: نمودار تابع عضویت گوسی )007, al. (Sivanandam et
مجله مخاطرات محيط طبيعی سال چهارم چاپ ششم زمستان 493 برای مدلسازی دادههای نرمالشده به سه دسته آموزش صحتسنجی و آزمون تقسیم شد که به ترتیب 7 30 و 7 درصد دادهها به هر قسمت تخصیص داده شدند. در ابتدا جهت آموزش شبکه از ورودیهای نرمال شده استفاده شد که رابطه 8 به این منظور مورد استفاده قرار گرفته است. :8 که در آن N مقادیر استاندارد شده Xi مقادیر واقعی Xmax حداکثر مقادیر واقعی و Xmin حداقل مقادیر واقعی میباشد. در این تحقیق از نرمافزار 0 Matlab برای تدوین مدلهای شبکة عصبی مصنوعی و سیستم استنتاج عصبی- فازی تطبیقی و انجام محاسبات مربوط به آنها استفاده گردید. ساختار شبکة عصبی از نوع پرسپترون چندالیه و نحوة آموزش پسانتشار خطا و الگوریتم یادگیری از نوع پیشخور با طول دورة آماری 8 ساله میباشد و از تابع عضویت گوسی در مدل استنتاج عصبی- فازی تطبیقی استفاده شده است که در آن ), به عنوان ورودی در دو مدل ANN و ANFIS استفاده شده است که و به ترتیب دما و بارش ماهانه است. برای ارزیابی کارایی مدلهای شبکة عصبی مصنوعی و سیستم استنتاج عصبی فازی تطبیقی در پیشبینی خشکسالی مقدار دادههای آزمون به وسیلة مدلهای تدوین شده برآورد با دادههای واقعی مقایسه و معیارهای آماری محاسبه شد. به منظور ارزیابی دقت مدلهای پیشبینی از معیارهای ناش )رابطه 4 ( ضریب همبستگی )رابطه 7( و ریشة میانگین مربعات خطا )رابطه 6( استفاده گردید )پهلوانی 833(. :4 CORR n i o i ( Q Q n n o o ( Qi Q ) i i o s i s )( Q Q ) s ( Q Q ) s i :7 RMSE ( n n i o s ( Q i Q ) ) i :6
پیش بینی خشکسالی با بکارگیری از مدل های... مباحث و یافتهها برای ایستگاه مورد مطالعه از طریق مدلهای شبکة عصبی مصنوعی )ANN( سیستم استنتاج عصبی فازی تطبیقی )ANFIS( با استفاده از دادههای دما و بارش محاسبه و با دادههای مشاهدهای مورد مقایسه قرار گرفت. برای این منظور از 30 درصد دادهها برای واسنجی )آموزش( و 80 درصد جهت اعتبارسنجی )آزمون( استفاده شد. در این بررسی از مدل شبکة عصبی با ساختار پرسپترون چندالیه و سیستم استنتاج عصبی- فازی تطبیقی با تابع عضویت گوسی برای پیشبینی خشکسالی در سری زمانی ماهانه در ایستگاه تنگاب حوزة م ند استفاده شد. ساختار مورد استفاده شامل یک الیة ورودی )مقدار بارش و دما( یک الیة خروجی )مقدار SPI سری مورد نظر( و الیة پنهان بود. تعداد الیة پنهان و تابع انتقال مناسب به صورت سعی و خطا تعیین گردید. برای آموزش شبکه از روش آموزشی پسانتشار خطا استفاده و از میان الگوریتمهای مختلف این روش آموزشی الگوریتم پیشخور با سعی و خطا تعیین گردید همچنین روند آموزش الگو به الگو در تدوین مدلهای شبکه عصبی و سیستم استنتاج عصبی - فازی تطبیقی به کار رفت. در نهایت شبکهای که دارای کمترین مقدار جذر میانگین مربعات خطا بود و به عبارتی نزدیکترین نتیجه را با واقعیت داشت به عنوان شبکه اصلی انتخاب گردید. مشخصات شبکة عصبی مصنوعی به کار رفته در ایستگاه تنگاب و نتایج ارزیابی و دقت مدلهای شبکه عصبی مصنوعی و سیستم استنتاج عصبی- فازی تطبیقی با استفاده از شاخص SPI در جدول آورده شده است: جدول 3: مشخصات و نتایج ارزیابی مدلهای شبکه عصبی مصنوعی و سیستم استنتاج عصبی فازی تطبیقی با استفاده از شاخص SPI در ایستگاه تنگاب مدل بهینه شبکه آزمایش اعتبارسنجی آموزش تعداد ورود ی تعدا د نرون تعداد الیه مخف ی تابع انتقال نوع الگوریت م نوع شبکه R RMSE E R RMSE E R RMSE E ANN تانژانت سیگموئی د پس انتشار خطا -0 0/8 0/09 0/6 3 0/9 0/09 0/6 3 0/83 0/09 0/6 3 ANFI S پس انتشار گوسی -0 0/6 5 0/00 4 0/7 0/63 5 0/0 3 0/7 0/80 0/007 4 0/7 خطا طبق نتایج به دست آمده از جدول )( مدل شبکة عصبی MLP با ساختار -0- با تابع آستانة تانژانت سیگموئید در مقایسه با مدل ANFIS نتایج بهتری را ارائه داده است. معیارهای ناش )E( و ضریب همبستگی )R( که میزان رابطة بین دو متغیر را نشان میدهند به ترتیب در بازة تا + و - تا + تغییر میکنند. نزدیکی این -Root Mean Square Error (RMSE)
مجله مخاطرات محيط طبيعی سال چهارم چاپ ششم زمستان 493 3 دو معیار به یک نشان دهندة رابطة قوی بین دو متغیر است. سایر معیارهای بیان شده نیز مقادیری مثبت بوده و هر چه به صفر نزدیکتر باشند میزان خطای دو متغیر نسبت به هم کمتر و دو متغیر به هم نزدیکترند. با توجه به مقدار RMSE در مدل شبکة عصبی مصنوعی میزان خطا کمتر از مدل سیستم استنتاج عصبی- فازی تطبیقی می- باشد که بیانگر دقت باالی مدل شبکة عصبی نسبت به مدل استنتاج عصبی- فازی تطبیقی است. مقادیر SPI مشاهده شده و برآورد شده برای بهترین مدل شبکة عصبی و سیستم استنتاج عصبی- فازی تطبیقی تدوین شده در شکلهای )7( و )6( ارائه شده است: شکل : نمودار مقادیر مشاهدهای و پیشبینی با استفاده از SPI شده با مدل MLP شکل 0 : نمودار مقادیر مشاهدهای و پیشبینی شده با استفاده از SPI با مدل سیستم استنتاج فازی-عصبی تطبیقی نتیجه با جمعبندی نتایج حاصل از این دو روش میتوان دریافت که دقت روش شبکههای عصبی مصنوعی از روش سیستم استنتاج عصبی- فازی تطبیقی بیشتر میباشد. همچنین از نتایج و ارزیابی پارامترهای آماری میتوان دریافت که سیستم استنتاج عصبی- فازی تطبیقی در شرایطی که دادههای ورودی و خروجی دارای عدم قطعیت باشند به عنوان یک مدل پیشبینی میتواند با دقت نسبتا باالیی این فرایند را انجام دهد. شایان ذکر است که مطابق نتایج حاصل از این پروژه هر چقدر پراکندگی دادههای ورودی مدل بیشتر باشد مدل استنتاج فازی- عصبی تطبیقی دارای توانایی بیشتری در شبیهسازی این نوع از دادهها میباشد.
پیش بینی خشکسالی با بکارگیری از مدل های... منابع اژدری مقدم مهدی محمود خسروی حسین حسینپور نیکنام احسان جعفریندوشن )80(. پیشبینی خشکسالی با استفاده از مدل فازی-عصبی شاخصهای اقلیمی بارندگی و شاخص خشکسالی استان زاهدان مجله جغرافیا و توسعه مشهد 6 صص: 6-3. اعلمی محمدتقی یوسف حسینزاده مهدی کماسی )833(. ارزیابی و مقایسه نمایههای خشکسالی و پیشبینی آن با شاخص SPI به روش مدلسازی دو متغیره با شبکة عصبی مصنوع هشتمین سمینار بینالمللی مهندسی رودخانه دانشگاه شهید چمران اهواز. افخمی حمیده محمدتقی دستورانی حسین ملکینژاد حسین مبین )83(. بررسی تأثیر عناصر اقلیمی بر افزایش دقت روش شبکة عصبی مصنوعی در پیشبینی خشکسالی استان یزد مجلة علوم و فنون کشاورزی و منابع طبیعی اصفهان 7 صص: 73-3. پهلوانی حمید )833(. ارزیابی کارایی مدلهای شبکه عصبی مصنوعی در تخمین هوشمند هیدروگراف سیل ورودی به سد مخزنی شیرین دره در مقایسه با مدلهای تطبیقی عصبی-فازی پایاننامه کارشناسی ارشد آبخیزداری دانشگاه علوم کشاورزی و منابع طبیعی گرگان دانشکده منابع طبیعی گروه مرتع و آبخیزداری صفحه:.8 حسینپورکاشانی م. منتصری م ع. لطفالهی یقین م. )836(. پیشبینی سیل در حوضههای فاقد آمار با استفاده از مدل رگرسیون و شبکه عصبی مصنوعی سومین کنگره ملی مهندسی عمران. صداقتکردار ع. فتاحی الف )833(. شاخصهای پیشآگهی خشکسالی در ایران مجله جغرافیا و توسعه 6)(.7-36 علیزاده امین )83(. اصول هیدرولوژی کاربردی مشهد انتشارات آستان قدس رضوی جلد چهاردهم صفحه: 6. عیوضی معصومه ابوالفضل مساعدی امیر احمد دهقانی )833(. مقایسة روشهای مختلف پیشبینی شاخص خشکسالی SPI مجلة پژوهشهای حفاظت آب و خاك گرگان (6 ( صص: 47-63. فتحی پ. کوچک زاده م. )838(. تخمین تعریق خیار گلخانهای با استفاده از شبکه عصبی مصنوعی مجله علوم خاك و آب جلد 3 شماره. فرخنیا اشکان سعید مرید هوشنگ قائمی )833(. دادهکاوی روی سیگنالهای بزرگ مقیاس اقلیمی برای پیش- بینی بلندمدت خشکسالی سومین کنفرانس مدیریت منابع آب ایران دانشکده مهندسی عمران دانشگاه تبریز. کاویانی محمد رضا و بهلول علیجانی )833(. مبانی آب و هواشناسی تهران انتشارات سمت جلد ششم صفحه:.63 مجرد قرهباغ فیروز )836(. تحلیل و پیش بینی یخبندان در آذربایجان رساله دوره دکتری دانشگاه تربیت مدرس دانشکده علوم انسانی.
مجله مخاطرات محيط طبيعی سال چهارم چاپ ششم زمستان 493 منهاج محمد باقر. )833(. صنعتی امیرکبیر تهران. جهت مبانی شبکههای عصبی هوش محاسباتی جلد اول چاپ پنجم انتشارات دانشگاه نیکنام حسین مهدی اژدری مقدم محمود خسروی )83(. استفاده از مدل فازی عصبی و الگوهای ارتباط از دور پیشبینی بلوچستان زاهدان. خشکسالی زاهدان چهارمین جغرافیدانان جهان المللی بین کنگره اسالم دانشگاه سیستان و یزدانی وحید و حسین بانژاد )833(. پیشبینی خشکسالی هیدرولوژیکی استان اصفهان با استفاده از شبکه عصبی مصنوعی دومین همایش ملی اثرات خشکسالی و راهکارهای مدیریت آن مرکز تحقیقات کشاورزی و منابع طبیعی اصفهان. Bacanli, U, Firat, M, Dikbas, F, 008, Adaptive neuro-fuzzy inference system for drought forecasting. Stochastic Environmental Research and Risk Assessment. 8: 43-54. Crespo, J.L, Mora, E, 993, Drought estimation with neural networks, Advances in Engineering Software8, 67 70. Chang, F. and Chang, Y.990. Adaptive neuro-fuzzy inference system for prediction of water level in reservoir, Advances in Water Resources, Vol.9, Issue, Pp: -0. Jang, J.-S.R, 993, ANFIS adaptive network based fuzzy inference system, IEEE Transactions on Systems, Man and Cybernetics, 3: 665 683. Mckee, T.B, Doesken, N.J and Kleist, J, 993, The relationship of drought frequency and duration to time scales. 8th conference on Applied Climatology. 7- January California 76-84. Mishra, A.K and Desai V.R, 006, Drought forecasting using feed-forward recursive neural network, Ecological Modelling, 98: 7-38. Mishra, A.K, Singh, V.P, 0, Simulating hydrological drought properties at different spatial units in the United States based on wavelet-bayesian approach Earth Interactions Journal of Hydrology,7: 3. Santos, Celso Augusto, G, Morais, Bruno S, Silva, Gustavo, B L, 009, Drought forecast using an artificial neural network for three hydrological zones in San Francisco River basin, Brazil, Proceedings of Symposium, Convention of The International Association of Hydrological Sciences, India 3 30. Sivanandam, S.N, Sumathi, S and Deepa, S.N. 007. Introduction to Fuzzy Logic using MATLAB, Springer Berlin Heidelberg, New York.