پیش بینی طوفان های گرد و غباری در دشت سیستان (کاربرد تلفیق رگرسیون چند متغیره و شبکه عصبی – فازی ANFIS)

سابقه و هدف: پیش­بینی روند طوفان­ ها، امکان برنامه ­ریزی به منظور کنترل بحران گردوغبار را برای مدیران و مسئولان فراهم می سازد. الگوهای شبکه عصبی مصنوعی از جمله روش­ های پرکاربرد برای پیش­بینی است. در اغلب مطالعات، محققان برای یافتن مناسب ­ترین الگوی شبکه عصبی مصنوعی که دقت بیشتری داشته باشد، چندین الگو تشکیل می­ دهند تا مدلی که بیشترین دقت را دارد انتخاب کنند. هدف تحقیق حاضر، تلفیق الگوی رگرسیون چندمتغیره و شبکه عصبی– فازی ANFIS به منظور دستیابی سریعتر به الگوی مناسب است.مواد و روش­ ها: در این تحقیق از داده ­های روزهای گردوغباری، دما، بارندگی، رطوبت نسبی ماخوذه از ایستگاه سینوپتیک زابل، سالنامه­ های آماری و آمار مربوط به آورد رودخانه هیرمند استفاده شده است. در ابتدا با استفاده از داده­ های بارندگی به منظور بررسی وضعیت خشک سالی، مقدار شاخص SPI در نرم افزار برنامه نویسی R-Studio محاسبه شد. سپس مدل رگرسیونی چندمتغیره با استفاده از داده­ های دما، حداکثر سرعت باد، آورد رودخانه هیرمند، شاخص SPI و تعداد روزهای گردوغباری به کمک نرم افزار Eviews برآورد شد. درنهایت، دو مدل شبکه عصبی- فازی ANFIS با ورودی ­های متفاوت در نرم افزار MATLAB توسعه داده شد. بدین صورت که متغیرهای ورودی به مدل اول به صورت تصادفی انتخاب شد و برای تعیین متغیرهای ورودی مدل دوم از خروجی مدل رگرسیونی استفاده شد.نتایج و بحث: نتایج نشان داد، روزهای گردوغباری بیشترین همبستگی را با آورد رودخانه هیرمند با ضریب ۰.۷۰- و پس از آن با شاخص خشک سالی (SPI) با ضریب ۰.۶۵- دارد. شاخص SPI شامل مقادیر مثبت و منفی است، در سال­ هایی که مقدار شاخص SPI کاهش یافته و نشان دهنده خشک سالی می­باشد، روزهای گردوغباری افزایش یافته است؛ بدن ترتیب همبستگی منفی و معکوسی ایجاد شده است. پس از آن ضریب همبستگی دما با تعداد روزهای گردوغباری با مقدار ۰.۵۶ و درنهایت ضریب همبستگی سرعت باد با روزهای گردوغباری ۰.۴۵ قرار دارد. نتایج برآورد رگرسیون چندمتغیره نشان داد که متغیرهای جریان رودخانه هیرمند، شاخص SPI، دما و سرعت باد اثر معنی داری بر تعداد روزهای گردوغباری دارند و علامت ضریب آنها مطابق انتظار است. درنهایت، با استفاده از نرمافزار MATLAB و مدل ANFIS دو مدل با ورودی­ های متفاوت بررسی شد. در مدل اول از متغیرهای دما، رطوبت نسبی و بارندگی به عنوان ورودی استفاده گردید. در مدل دوم متغیرهای آورد رودخانه هیرمند، شاخص SPI و دما که طبق نتایج ضرایب همبستگی و مدل سازی رگرسیون بیشترین تاثیر را بر روزهای گردوغباری داشتند، به عنوان ورودی تعیین شدند. نتایج ارزیابی دو مدل نشان داد، مدل دوم که مبتنی بر نتایج مدل سازی رگرسیونی و بررسی ضرایب همبستگی است، از خطای کمتری برخوردار است.نتیجه گیری: پیش­بینی حوادث در آگاه سازی مدیران و برنامه ریزان به منظور مدیریت مخاطرات­ بسیار موثر می ­باشد. شبکه­ های عصبی مصنوعی از جمله مهم­ترین روش­ ها به منظور پیش­بینی هستند، اما انتخاب ورودی­ های مناسب به منظور افزایش دقت پیش­بینی با شبکه عصبی مصنوعی بسیار اهمیت دارد. در بعضی مطالعات، محققان مجبور به ساخت چندین شبکه عصبی هستند تا شبکه ای که کمترین خطا را دارد را از بین آنها انتخاب کنند که مستلزم صرف زمان زیادی است. در تحقیق حاضر، در ابتدا ضرایب همبستگی بین تمامی متغیرهای مدنظر محاسبه و با تخمین مدل رگرسیون چندمتغیره میزان اثرگذاری متغیرهای انتخابی بر متغیر وابسته بررسی شد. نتایج نشان داد درصورتی که متغیرهایی با بیشترین همبستگی و تاثیر معنیدار، بر متغیر وابسته به عنوان ورودی به شبکه عصبی- فازی انتخاب شود، دقت شبکه عصبی- فازی ANFIS افزایش می­ یابد.

کلیدواژه ها:

خشکسالی ، شاخص استاندارد شده بارش ، شبکه عصبی-فازی ANFIS ، منطقه سیستان