نوع مقاله : مقاله علمی پژوهشی

نویسندگان

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

4-14

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

موضوعات

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
-     بیابانکی، م.؛ اسلامیان، س. (1383)، «استفاده ازروش خوشه‏بندی درتعیین همگنی هیدرولوژیک و ارزیابی آن توسط روش‏های تحلیل ممیزی و منحنی‏های Andrew در حوضه آبریز کرخه»، مجله کشاورزی، جلد6، شماره2.
-     جهانبخش اصل، س.؛ ابطحی، و.؛ قربانی، م. ع.؛ تدینی، م. ؛ والایی، ا. (1394) ،« بررسی توزیع زمانی و مکانی بارش شهرستان تبریز با روش تحلیل خوشه‏ای»، فصلنامه فضای جغرافیایی، سال 94، شماره 50: 59-81.
-     حسنعلی زاده، ن. ؛ مساعدی، ا. ؛ ظهیری، ع. ر. ؛ بابانژاد، م. (1393)، « تعیین نواحی همگن توزیع بارش سالانه در سطح استان گلستان با استفاده از تحلیل خوشه‏ای و روش گشتاورهای خطی »، نشریه آب (علوم و صنایع کشاورزی)، سال93، جلد 28: 1061-1071.
-     رحیمی، د. ؛ ولی پور، ق. ؛ یزدانپناه، ح. (1390)، «کاربرد سامانه و مجموعه‏های فازی در پهنه‏بندی دمایی استان چهار محال و بختیاری»، مجله جغرافیا و برنامه ریزی محیطی، سال90، شماره 41: 85-96.
-     رحیمی خوب، ع.؛ بهبهانی، م.؛ نظری فر، م. (1385)،  «بررسی استفاده از حداقل داده‏های هواشناسی در معادله پنمن مانتیث- مطالعه موردی استان خوزستان»، مجله علوم کشاورزی، سال12.
-     سلطانی، آ.؛ صدوقی یزدی، ه.؛ اشک زری طوسی، س.؛ روحانی، م. (1389)، « بهبود شبکه خود سازمانده کوهنن با هدف خوشه‏بندی داده‏های فازی»، دهمین کنفرانس سیستم های فازی ایران، دانشگاه شهید بهشتی.
-     شکاری، پ.؛ باقرنژاد، م. (1384)، «بررسی کاربرد روش فازی (Fuzzy) درطبقه‏بندی خاک‏ها. مطالعه موردی: چشمه سفیدکرمانشاه»، مجله علوم وفنون کشاورزی و منابع طبیعی، سال نهم، شماره4، تهران.
-     عساکره، ح .؛ دوستکامیان، م. (1395)، « ناحیه بندی اقلیمی آب قابل بارش جو ایران زمین »، نشریه جغرافیا و برنامه ریزی، سال بیستم، شماره58: 181-202.
-     فرسادنیا، ف.؛ رستمی کامرود، م.؛ مقدم نیا، ع. (1391)، «تحلیل روند بارندگی در استان مازندران با استفاده از روش من-کندال منطقه‏ای»، تحقیقات منابع آب ایران، سال87، شماره 2: 60-70.
-     فلاح قالهری، غ .؛اسدی، م.؛ انتظاری، ع. (1394)، « ناحیه بندی آب و هوایی استان گیلان با روش های چند متغیره»، نشریه جغرافیای و برنامه ریزی ، سال نوزدهم، شماره54: 235-251.
-     کوره پزان دزفولی، ا. ( 1387 )،  « اصول تئوری مجموعه‏های فازی و کاربردهای آن در مدل‏های مسائل منابع آب». انتشارات جهاد دانشگاهی (دانشگاه صنعتی امیر کبیر).
-     مومنی، م. (1390)، « خوشه‏بندی داده‏ها( تحلیل خوشه‏ای)». انتشارات دانشگاه تهران.
-Chavoshi, S., Azmin Sulaiman W.N. Saghafian B. Sulaiman MD NB. Latifah, A.M .(2012), “ Soft and hard clustering methods for delineation of hydrological homogeneous regions in the southern strip of the Caspian Sea Watershed”, Journal of Flood Risk Management, 5( 4): 282-294.
-Dikbas, F., Firat, M., Koc, A.C., Gungor, M. (2011), “ Classification of precipitation series using fuzzy cluster Method”, International Journal of Climatology, DOI: 10.1002/joc.2350.
-Farsadnia, F., Rostami Kamrood, M., Moghaddam Nia, A., Modarres, R. Bray, M.T.and Han, D., Sadatinejad, J. (2014), “Identification of homogeneous regions for regionalization of watersheds by two-level selforganizing feature maps”, Journal of Hydrology,509: 387–397.
-Holawe, F., Dutter, R. (1999), “ Geostatistical study of precipitation series in Austria”, Journal of Hydrology, Vol: 219.
-Jingyi, Z. and M.J. Hall.( 2004), “ Regional flood frequency analysis for the Gan-Ming river basin in China”, Journal of Hydrology 296: 98–117.
-Ley, R. M.C., Casper, H. Hellebrand and R. Merz. (2011), “Catchment classification by runoff behavior with self-organizing maps (SOM) ”, Hydrology and Earth System Sciences 15: 2947-2962.
-Lin, G.F. and L.H. Chen. (2006), “ Identification of homogeneous regions for regional frequency analysis using the self-organizing map”, Journal of Hydrology, 324: 1-9.
-Linacre, E. and G. Bart. (1997), “Climate and weather explained” , First published, London and New York, pp: 1-432.
-Moghaddamnia, A., Ghafari Gousheh, M., Piri, J., Amin, S., and Han, D. (2009), “Evaporation estimation using artificial neural networks and adaptive neuro-fuzzy inference system techniques” , Advances in Water Resources. 32(1): 89-97
-Raju, K.S., Kumar, D.N. (2007), “Classification of Indian meteorological stations using cluster and fuzzy cluster analysis, and Kohonen artificial neural networks”, Nordic Hydrology, 38(3), 303-314.
-Razavi, T., Coulibaly, P. (2013), “Classification of Ontario watersheds based on physical attributes and streamflow series”, Journal of Hydrology, 493: 81–94.
-Roger, M.C., Durk, R., Cazemier, P. (2000), “Representing and processing uncertain soil information for mapping soil hydrological properties ,Computers and electronics in agriculture”, Vol:29.
-See, L., Openshaw, S. (1998), “ Using Soft Computing Techniques to Enhance Flood Forecasting, International Conference on The River Ouse, Proceeding Hydroinformatics”, Copenhagen, Denmark, pp. 24-26.