نوع مقاله : مقاله علمی پژوهشی

نویسندگان

• رضا مکاریان ¹
• حسین صدقی ²
• سمیرا نعمتی ³
• حسین بابا زاده ⁴

¹ مدرس دانشگاهی

² استاد گروه مهندسی آب- واحد علوم و تحقیقات تهران

³ دانشگاه تبریز

⁴ دانشیار 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

موضوعات

• آب و هواشناسی

عنوان مقاله [English]

Classification of evaporation stations using fuzzy cluster analysis and Kohonen artificial neural networks

نویسندگان [English]

• Reza Mokarian ¹
• Hossein Sedghi ²
• Samira Nemati ³
• Hossein Babazadeh ⁴

³ Tabriz University

چکیده [English]

Evaporation is the important factor that affects temperature, drought severity and water storage in the hydrological cycle and plays an important role on managing the water resources projects such as agricultural irrigation.
Classification of datasets is useful for concisely system modeling purposes. By classification, a large number of datasets is reduced to a small number of groups. In the field of hydrological systems, classification of meteorological stations into homogeneous groups will be useful to consider a different scale of measure, which is suitable to each group. Such classification can lead to choice methods appropriate for each group for management of water resources in various regions. Classification will also be useful for prediction of events such as droughts. Moreover, in the case of estimating missing data, the corresponding data of the representative station determined using a classification technique can be successfully substituted (Raju and Kumar 2007).
stations. Dikbas et al. (2011) applied the FCM method to classify the precipitation series and identify the hydrologically homogeneous groups in Turkish. Regional homogeneity test results showed that regions determined by the FCM approach are sufficiently homogeneous for regional frequency analysis.
In the present study, the practical applicability of two classification methods, namely fuzzy c-means (FCM) cluster analysis and Kohonen artificial neural networks (KANN), is examined for grouping 97 evaporation stations in Iran into homogeneous groups. The rest of the paper is organized as follows. First, a description of the case study is presented. After introducing the applied methods, results obtained are presented and discussed and conclusion drawn.

کلیدواژه‌ها [English]

• Davies–Bouldin index
• Evaporation stations
• Fuzzy clustering
• Kohonen artificial neural network
• Iran