مقایسه نتایج به دست آمده از کاربرد سیستم استنباط فازی ممدانی و شبکه‌های عصبی مصنوعی در پیش‌بینی بارش فصلی، مطالعه موردی: منطقه خراسان

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری /اقلیم شناسی دانشگاه اصفهان و عضو گروه اقلیم شناسی کاربردی پژوهشکده اقلیم شناسی

2 عضو هیات علمی /دانشکده کشاورزی دانشگاه فردوسی مشهد

3 عضو هیات علمی /پژوهشکده اقلیم شناسی و رییس پژوهشکده اقلیم شناسی و مرکز ملی اقلیم

چکیده

در این مقاله با استفاده از سیستم استنباط فازی  و شبکه‌های عصبی مصنوعی پیش‌بینی بارش در بازه زمانی دسامبر تا می در منطقه خراسان بزرگ شامل سه استان خراسان رضوی، خراسان شمالی و خراسان جنوبی ارائه شده است. این روش شامل سه گام می‌باشد. در گام اول، ارتباط بین تغییرات الگوهای سینوپتیکی شامل فشار سطح دریا، اختلاف فشارسطح دریا، دمای سطح دریا، اختلاف دمای سطح دریا و سطح 1000 میلی باری، دمای سطح 850 هکتوپاسکال، ارتفاع معادل سطح 500 هکتوپاسکال و رطوبت نسبی سطح 300 هکتوپاسکال با بارش متوسط منطقه‌ای مورد بررسی قرار گرفته است. در انتخاب این مناطق که مجموعه‌ای از نقاط در خلیج فارس و دریای عمان، دریای سیاه، دریای خزر، دریای مدیترانه، دریای شمال، دریای آدریاتیک، دریای سرخ، خلیج عدن، اقیانوس اطلس، اقیانوس هند و سیبری را شامل می‌شوند، تأثیرپذیری بارندگی منطقه شمال شرق ایران از الگوهای سینوپتیکی مورد توجه قرار گرفته است. در گام دوم، مدل در دوره 1993-1970 آموزش داده شده است و در گام سوم، پیش‌بینی بارش در دوره 2002-1993 انجام شده است. نتایج نشان می‌دهد سیستم استنباط فازی و شبکه‌های عصبی مصنوعی می‌تواند بارش را با دقت قابل قبولی پیش‌بینی کنند. همچنین نتایج نشان می‌دهد که ریشه میانگین مربعات خطا برای سیستم استنباط فازی و شبکه‌های عصبی مصنوعی به ترتیب 52 و 41 میلی‌متر می‌باشد. بنابراین شبکه‌های عصبی مصنوعی در پیش‌بینی بارش موفق‌تر از مدل فازی بوده است.

 

کلیدواژه‌ها


عنوان مقاله [English]

Results Compression of Mamdani Fuzzy Interface System and Artificial Neural Networks int the Seasonal Rainfall Prediction,Case Study: Khorasan Region

نویسندگان [English]

  • Gh. A Fallah-Ghalhari 1
  • M Mousavi Baygi 2
  • M Habibi Nokhandan 3
1 Ph.D candidate in Climatology, Isfahan University and Member of Applied Climatology Group in Climatological Research Institute (CRI), I.R of Iran
2 Assistant professor of Water Engineering Department, faculty of agriculture, Ferdowsi University of Mashhad, Iran
3 Assistant professor of Climatologically Research Institute (CRI), Mashhad, Iran,
چکیده [English]

Seasonal rainfall forecasts can effectively be used for resources planning and management - e.g., reservoir operations, agricultural practices, and flood emergency responses. Effective planning and management of water resources in the short term requires a general view of the upcoming season. In the long term, this needs realistic projections of scenarios for future variability and changes. In this paper, 33 years of rainfall data in the Khorasan region, northeastern Iran was analyzed. The study area is situated at 31°-38°N, 74°- 80°E. This synoptical data was trained by the Mamdani fuzzy Inference system and the artificial neural network. For performance evaluation, predicted outputs were compared with the actual rainfall data. First, synoptical relationships were investigated i.e. Sea Level Pressure (SLP), Sea Surface Temperature (SST), Sea Surface Pressure Difference (DSLP), Sea Surface Temperature (DSST) and Air Temperature at 850 hpa, Geopotential Height at 500 hpa, and Relative Humidity at 300 hpa. Models were then calibrated for the period of 1970 to 1992. Finally, the rainfall is predicted. Simulation results revealed that the Mamdani fuzzy Inference system and artificial neural networks are both promising and efficient. The root mean square for Mamdani fuzzy Inference system and the artificial neural network were 52 and 41 millimeters, respectively.

کلیدواژه‌ها [English]

  • Rainfall Prediction
  • Synoptical Patterns
  • Mamdani Fuzzy Inference System
  • Artificial Neural Network
احمدی، ا. (1382)، "طبقه‌بندی تغییرات بارش بوشهر و استفاده از شبکه‌های عصبی مصنوعی مبتنی بر مدل خودسازمانده کوهونن"، پایان نامه کارشناسی ارشد، دانشگاه تربیت معلم تهران.
حسامی رستمی، ر.، افشار، ع. و موسوی، ج. (1384)، "مدل پیش‌بینی سیلاب با استفاده از سیستم استنباط فازی ـ عصبی تطبیقی و مقایسه آن با روش رگرسیون همراه با حل مثال موردی رودخانه کرخه"، مجموعه مقالات اولین کنفرانس سالانه مدیریت منابع آب ایران، تهران.
خلیلی، ن. (1385)، "پیش‌بینی بارش با استفاده از شبکه‌های عصبی"، پایان نامه کارشناسی ارشد مهندسی آب، دانشگاه فردوسی مشهد، دانشکده کشاورزی.
علیجانی، ب. (1381)، اقلیم شناسی سینوپتیک، انتشارات سمت، چاپ اول، 257 ص.
فاتحی مرج، ح. (1379)، "بررسی آشوب در سیستم‌های دینامیکی"، پایان نامه کارشناسی ارشد برق، دانشگاه فردوسی مشهد.
فلاح قالهری، غ.، موسوی بایگی، م. و حبیبی نوخندان، م. (1386)، "پیش‌بینی بارش فصلی بر اساس الگوهای سینوپتیکی فشار و اختلاف فشار سطح دریا با استفاده از مدل‌های آماری"، مجله علمی پژوهشی علوم و صنایع کشاورزی، دانشگاه فردوسی مشهد، جلد 21، شماره دوم. صص: 104-95.
کارآموز، م. (1384)، "پیش‌بینی درازمدت بارش با استفاده از سیگنال‌های هواشناسی"، پروژه شماره 342 سازمان هواشناسی کشور.
محمدزاده، د. (1380)، "کاربرد شبکه‌های عصبی فازی برگشتی در پیش‌بینی پارامترهای کلیدی هواشناسی"، پایان نامه کارشناسی ارشد عمران ـ آب، دانشگاه خواجه نصیر الدین طوسی.
موسوی بایگی، م.، فلاح قالهری، غ. و حبیبی نوخندان، م. (1387)، "بررسی ارتباط نشانه‌های پهن مقیاس اقلیمی با بارش خراسان"، مجله علمی-پژوهشی علوم کشاورزی و منابع طبیعی، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، جلد پانزدهم، شماره دوم. صص: 224-217.
مهدی‌زاده، م. (1383)، شبکه‌های عصبی مصنوعی و کاربرد آن در مهندسی عمران، انتشارات عبادی
میثاقی، ف. (1382)، توسعه الگوریتم ترکیبی زمین آمار و شبکه‌های عصبی مصنوعی به منظور استخراج توزیع مکانی بارندگی، پایان نامه کارشناسی ارشد کشاورزی، دانشگاه تربیت مدرس.
ناصری، م. (1382)، پیش‌بینی بارندگی در دامنه زمان و مکان با استفاده از شبکه عصبی مصنوعی و الگوریتم ژنتیک، پایان نامه کارشناسی ارشد عمران-آب، دانشگاه صنعتی اصفهان.
Abraham, A. (2001), "Will We Have a Wet Summer?  Soft Computing Models For Long-Term Rainfall Forecasting”, Modelling and Simulation, Publication of the Society for Computer Simulation International, Prague,  Czech Republic, pp. 1044-1048.
Cavazos, T. (2000), "Using Self-Organizing Maps to Investigate Extreme Climate Event": An Application to wintertime Precipitation in the Balkans, Journal of Climate, 13, pp. 1718-1732
Choi, L. (1999), An application hydroinformatic tools for rainfall forecasting, Thesis (PhD). University of New South Wales (Australia), Source DAI-B 60/02, 752p.
Halid, H. and Ridd, P. (2002), "Modeling Inter-Annual Variation of a Local Rainfall Data Using a Fuzzy Logic Technique", Proceeding of International Forum on Climate Prediction, JamesCook University, Australia,  First  Proof Pages, pp. 166-170.
Jacquin, A. and Shamseldin, A. (2006), "Development of Rainfall-Runoff   Models Using Takagi-Sugeno Fuzzy Inference System". Journal of Hydrology, 329(1-2) , pp.154-173.
Maria, C., Haroldo, F. and Ferreira, N. (2005), "Artificial neural network technique for rainfall Forecasting applied to the Sao Paulo region", Journal of Hydrology, 301(1-4), pp.146-162.
Pongracz, R. and Bartholy, J. (2006), "Regional Effects of ENSO in Central/Eastern Europe", journal of advances in Geosciences, 6, pp.133-137.