رامتین طاوسی راد؛ محمد انصاری قوجقار؛ آرش ملکیان
چکیده
پیشبینی دقیق رواناب نقش اساسی در مدیریت منابع آب، کنترل سیلاب و برنامهریزی سازگاری با تغییر اقلیم دارد. با توجه به ماهیت غیرخطی، پیچیده و چندعاملی فرآیندهای هیدرولوژیک، استفاده از روشهای دادهمحور و الگوریتمهای یادگیری ماشین در سالهای اخیر به رویکردی کارآمد برای تحلیل و مدلسازی رواناب تبدیل شده است. دو مدل انفرادی XGBoost، ...
بیشتر
پیشبینی دقیق رواناب نقش اساسی در مدیریت منابع آب، کنترل سیلاب و برنامهریزی سازگاری با تغییر اقلیم دارد. با توجه به ماهیت غیرخطی، پیچیده و چندعاملی فرآیندهای هیدرولوژیک، استفاده از روشهای دادهمحور و الگوریتمهای یادگیری ماشین در سالهای اخیر به رویکردی کارآمد برای تحلیل و مدلسازی رواناب تبدیل شده است. دو مدل انفرادی XGBoost، CatBoost و مدل هیبریدی Boost(Cat-XG) بهمنظور پیشبینیِ روانابِ حوزه آبخیز کرج مورد ارزیابی قرار گرفتند. مدلها با 4 معیار ارزیابی NS، R، RMSE و MAE سنجیده شدند. پیشبینیهای مدلهای مورد پژوهش در 4 حالت به ثبت رسید. حالت نخست، دبی متوسط 3 ماه گذشته بهعنوان ورودی مدل در نظر گرفته شد. در سناریوی دوم، دبی متوسط 6 ماه قبل وارد مدل شد. سناریوی سوم با استفاده از سه فصل تاخیر متوالی(9 ماه) دبی متوسط ماهانه طراحی شد. سناریوی چهارم شامل یک سال وقفه زمانی متوالی بوده است. نتایج پیشبینیها نشان داد که مدل هیبریدی (Cat-XG)Boost با اختلاف قابل توجهی بهترین عملکرد را در پیشبینی رواناب ماهانه حوزه آبخیز کرج نسبت به دو مدل انفرادی مورد ارزیابی ارائه میدهد. این مدل در تمامی ایستگاههای مورد بررسی NS بالای 957/0، همبستگی بالای 939/0 به ثبت رساند. ضمن اینکه با اختلاف قابل توجهی خطاهای کمتری نسبت به دو مدل دیگر ثبت کرد. درحالیکه مدلهای انفرادی XGBoost و CatBoost بهویژه در ایستگاههای با دادههای گستردهتر با افزایش خطا مواجه شدند. دو مدل انفرادی مورد پژوهش عملکرد متوسط در پیشبینی مقادیر مرتبط با وقایع حدی اقلیمی ارائه کردند اما با ترکیب دو مدل انفرادی و معرفی مدل هیبریدی Boost(Cat-XG)، عیوب موجود در مدلهای انفرادی پوشیده شده و همچنین با رفع خطاهای موجود، پیشبینیهای بسیار دقیقتری به ثبت رسید.
صدف پیری؛ محمد انصاری قوجقار
چکیده
مقدمه
خشکسالی بهعنوان یک پدیده ناهنجار و خطرناک بهطور قابل توجهی به منابع آبی، کشاورزی، بخشهای اقتصادی و محیطزیست آسیب وارد میکند. در چارچوب مدیریت جامع حوزه آبخیز، پیشبینی درست و بهموقع خشکسالی اهمیت بسیار زیادی دارد. این موضوع بهویژه در مناطق حساس و آسیبپذیر مثل استان خوزستان، برای استفاده بهینه از منابع آب، مدیریت ...
بیشتر
مقدمه
خشکسالی بهعنوان یک پدیده ناهنجار و خطرناک بهطور قابل توجهی به منابع آبی، کشاورزی، بخشهای اقتصادی و محیطزیست آسیب وارد میکند. در چارچوب مدیریت جامع حوزه آبخیز، پیشبینی درست و بهموقع خشکسالی اهمیت بسیار زیادی دارد. این موضوع بهویژه در مناطق حساس و آسیبپذیر مثل استان خوزستان، برای استفاده بهینه از منابع آب، مدیریت مصرف و افزایش تابآوری اکوسیستمهای طبیعی و انسانی، یک ضرورت است. چنانچه دوره خشکسالی با دوره رشد پوشش گیاهی همزمان شود، تعادل اکولوژیکی را بههم میزند که منجر به تغییراتی مانند کاهش رطوبت خاک، تغییر دمای سطح زمین و حتی تأثیر بر فرایندهای تبخیر و تعرق میشود. الگوریتمهای فرا ابتکاری هوش مصنوعی قادر به پیش بینی تقاضای آب با بررسی دادههای تاریخی و عوامل محیطی هستند. این پیشبینیها به مدیران این امکان را میدهد که برنامهریزیهای بهتری برای تأمین آب و جلوگیری از هدررفتن منابع داشته باشند. با توجه به منحصربهفرد بودن استان خوزستان ازنظر موقعیت جغرافیایی و مناقشات آبی در سالهای اخیر، بررسی قدرت و کارایی الگوریتمهای هوش مصنوعی در پیشبینی و شناسایی تغییرات اقلیمی میتواند خلأ پژوهشی در این زمینه را پر کند و با نوآوریهای علمی، تأثیر بهسزایی در حفظ محیطزیست و تعادل منابع آبی در مواجهه با شرایط خشکسالی داشته باشد.
مواد و روشها
در این پژوهش بهمنظور پایش خشکسالی ایستگاههای استان خوزستان، دادههای بارش طی دوره آماری 2020-1989 و با استفاده از مقادیر شاخص استاندارد شده بارش (SPI) به تفکیک سالهای خشک و تر محاسبه شد. در ادامه از روش وزنی معکوس فاصله (IDW) برای درونیابی دادههای به دست آمده از شاخص SPI استفاده شد. برای پیشبینی خشکسالی هواشناسی از مدل FCMR استفاده شد. مدل رگرسیون فازی FCMR یک روش ترکیبی است که از رگرسیون خطی و خوشهبندی فازی برای مدلسازی دادهها بهره میگیرد. برای بهکارگیری مدل هیبریدی نیز از الگوریتمهای GOW و ACOR استفاده شد.
نتایج و بحث
با توجه به نتایج بهدست آمده از معیارهای ارزیابی نیکویی برازش در هشت ایستگاه مورد مطالعه، بهصورت نسبی، SPI 12 ماهه و شش ماهه نتایج بهتر و دقیقتری را نسبت به SPI سه و یک ماهه نشان دادند. در مقایسه SPI 12 ماهه و 6شش ماهه نیز SPI 12 ماهه عملکرد بهتری از خود نشان داد. مقادیر RMSE، R، NS و MAE پس از ترکیب مدل فراابتکاری GOW و مدل FCMR نسبت به مدل انفرادی FCMR بهترتیب با کاهش، افزایش، افزایش و کاهش روبهرو شده است. ترکیب کاتالیزور ACOR و مدل FCMR نیز بهترتیب با افزایش، کاهش، کاهش و افزایش در مقادیر RMSE، R، NS و MAE نسبت به مدل انفرادی FCMR مواجه شد. بر همین اساس میتوان نتیجه گرفت که تلفیق مدل فراابتکاری گرگ خاکستری با مدل FCMR، بهبود عملکرد را نسبت به استفاده از مدل انفرادی FCMR در پی داشته است. تلفیق مدل فراابتکاری کلونی مورچگان با مدل FCMR نیز با کاهش دقت و پایین آمدن عملکرد نسبت به استفاده از مدل انفرادی FCMR مواجه شده است.
نتیجهگیری
در پژوهش حاضر، دقت و عملکرد مدل انفرادی FCMR با مدلهای هیبریدی دوگانه FCMR-GOW و FCMR-ACOR در هشت ایستگاه سینوپتیک استان خوزستان مقایسه و تحلیل شد. طبق نتایج مدلها، کاتالیزور GOW باعث بهبود مدل FCMR و کاتالیزور ACOR موجب کاهش دقت مدل FCMR شدند. در هر هشت ایستگاه، مدل هیبریدی دوگانه FCMR-GOW با بیشترین دقت در پیشبینی شاخص SPI در رتبه اول قرار گرفت. همچنین پنجرههای زمانی بلندمدت SPI از دقت بالاتری نسبت به پنجرههای زمانی کوتاه مدت برخوردار بودند. افزون بر این، فاصله معنیداری از لحاظ دقت میان مدل انفرادی FCMR و مدل هیبریدی دوگانه FCMR-GOW وجود ندارد. از این رو میتوان نتیجه گرفت که با توجه به افزایش هزینههای مدلهای هیبریدی دوگانه مذکور، استفاده از مدل انفرادی FCMR منطقیتر بهنظر میرسد. بهطور کلی میتوان گفت که تلفیق مدلهای انفرادی با الگوریتمهای فراابتکاری لزوماً به معنی افزایش دقت در مدلسازی شاخص SPI نیست.
