ارزیابی کارایی شبکه عصبی مصنوعی در پیش بینی روند بیابان زایی با استفاده از سیستم اطلاعات جغرافیایی GIS (مطالعة موردی: دشت دهلران، ایلام)

محورهای موضوعی : توسعه سیستم های مکانی

ثریا یعقوبی ¹ (دانش آموخته کارشناسی ارشد مرتع و آبخیزداری، دانشگاه ایلام)
مرزبان فرامرزی ² (استادیار دانشکده کشاورزی، دانشگاه ایلام)
حاجی کریمی ³ (دانشیار دانشکده کشاورزی، دانشگاه ایلام)
جواد سروریان ⁴ (استادیار دانشکده کشاورزی، دانشگاه ایلام)

تاریخ دریافت : 1394/09/29 تاریخ پذیرش : 1395/05/28 تاریخ انتشار : 1395/09/01

کلید واژه: دشت دهلران, سیستم اطلاعات جغرافیایی, شبکه عصبی مصنوعی, مدل ایرانی ارزیابی پتانسیل بیابان زایی,

چکیده مقاله :

یکی از مشکلات اصلی مناطق خشک و نیمه‌خشک حاکمیت پدیده بیابان زایی است. بنابراین، شناخت و پیش‌بینی عوامل مؤثر در پیشرفت پدیده بیابان‌زایی می‌تواند در مدیریت بهتر این مناطق مؤثر واقع شود. هدف از این تحقیق ارزیابی صحت مدل شبکه عصبی مصنوعی در پیش‌بینی روند بیابان‌زایی و انتخاب مؤثرترین معیار بیابان‌زایی در دشت دهلران با استفاده از مدل ایرانی ارزیابی وضعیت بیابان‌زایی (IMDPA) است. در این روش دو معیار آب و اقلیم به عنوان عوامل مؤثر در بیابان‌زایی انتخاب شدند. برای معیار اقلیم سه شاخص بارش سالانه، شاخص SPI و تداوم خشک‌سالی و برای معیار آب پنج شاخص افت آب، نسبت جذب سدیم، کلر، هدایت الکتریکی و کل مواد محلول در آب ارزیابی شد. با استفاده از مدل مذکور هر شاخص امتیازدهی شد. سپس با میانگین هندسی نقشه‌های معیار و شدت بیابان‌زایی در نرم‌افزار ArcGIS®93 برای دوره مورد نظر تهیه شد. در نهایت داده‌ها به شبکه عصبی مصنوعی جهت پیش‌بینی وارد شدند. نتایج نشان‌دهنده کارایی بالای مدل‌های شبکه عصبی مصنوعی در پیش‌بینی روند بیابان‌زایی بود به گونه‌ای که دقت شبکه بالای 80 درصد و میانگین مربعات خطا کمتر از یک بدست آمد. همین‌طور بر اساس نتایج بدست آمده برای دوره پیش‌بینی شده مهم‌ترین معیارهای احتمالی تأثیرگذار بر شدت بیابان‌زایی منطقه به ترتیب معیارهای اقلیم و آب با متوسط‌ وزنی 2 (متوسط زیر کلاس 1، 2 و 3)، 84/1 (متوسط زیر کلاس 1 و 2) رتبه‌بندی گردیدند.

چکیده انگلیسی:

Desertification is recognized as a main problem in the arid and semi-arid areas. Therefore, identification and prediction of the effective factors in development of desertification are very important for better management of these areas. The main purpose of this study was evaluating the accuracy of an artificial neural network model for predicting the desertification process and selects the most effective criteria on desertification in the Dehloran plain by using the Iranian model for desertification potential assessment (IMDPA). In IMDPA model, water and climatic were selected as effective factors in desertification. In this model, three indicators for climate criteria; annual precipitation, drought index (Standardized precipitation index; SPI and continued drought and for water criteria; ground water table depletion, sodium absorption ratio, Cl, electrical conductivity (EC) and total dissolved solids were evaluated. Each index was rated using of IMDPA model. Then desertification intensity and criteria maps were prepared using a geometric average for predicting period in ArcGIS®9.3. Final data were entered into neural network to predict. The results showed that the neural network model has a high efficiency for predicting the desertification process in the study area. The accuracy of the model was about 80% and mean square error (MSe) was less than one. In addition, the climate factor and the index of EC were found the most effective variables for predicting the desertification process. In 2015-2016 predicted the most important probable criteria affecting the intensity of desertification were  climate  and water with weighted average 2 (moderate in sub-class1, 2 and 3), 1.84 (moderate in sub-class 1and 2), respectively.

منابع و مأخذ:

1. افخمی، ح.، م. ت. دستورانی، ح. ملکی­نژاد و م. مبین. 1389. بررسی تأثیر عناصر اقلیمی بر افزایش دقت روش شبکه عصبی مصنوعی در پیش­بینی خشکسالی منطقه یزد. نشریه علوم آب و  خاک (علوم و فنون کشاورزی و منابع طبیعی)، 14(51): 157-170.

2. اکبری، م.، ا. رعنایی و س. ح. بدیعی نامقی. 1390. ارزیابی حساسیت پارامترهای ورودی در وضعیت بیابان­زایی با استفاده از مدل شبکه عصبی مصنوعی (مطالعه موردی: جنوب شهرستان نیشابور). نشریه آب و خاک (علوم و صنایع کشاورزی)، 25(2): 398-410.

3. بخشنده­مهر، ل.، س. سلطانی و ع. سپهر. 1392. ارزیابی وضعیت فعلی بیابان­زایی و اصلاح مدل مدالوس در دشت سگزی اصفهان. مرتع و آبخیزداری، 66(1): 27-41.

4. تشنه­لب، م. 1382. پیش­بینی اقلیمی پارامترهای هواشناسی با استفاده ازشبکه­های عصبی- فازی بر اساس آموزش پارامترهای بخش تالی اصفهان. مجموعه مقالات سومین کنفرانس منطقه­ای تغییر اقلیم. سازمان هواشناسی کشور با همکاری دانشگاه اصفهان. 29 مهرماه الی 1 آبان ماه.

5. خنامانی، ع.، ح. کریم­زاده، ر. جعفری و ا. گلشاهی. 1392. ارزیابی کمی وضعیت فعلی بیابان­زایی با استفاده از مدل مدالوس (مطالعۀ موردی: دشت سگزی). سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 4(1): 13-25.

6. خوشحال دستجردی، ج. و س. حسینی. 1389. کاربرد شبکه عصبی مصنوعی در شبیه­سازی عناصر اقلیمی و پیش­بینی سیکل خشکسالی (مطالعه موردی: استان اصفهان). جغرافیا و برنامه­ریزی محیطی، 21(3): 107-120.

7. زهتابیان، غ. ر.، ح. احمدی، م. اختصاصی و ح. خسروی. 1386. واسنجی مدل مدالوس به منظور ارایه یک مدل منطقه­ای برآورد شدت بیابان­زایی در منطقه کاشان. منابع طبیعی ایران، 60(3): 727-744.

8. سیلاخوری، ا.، م. اونق و ا. سعدالدین. 1392. ارزیابی خطر و ریسک بیابان­زائی منطقة سبزوار با استفاده از مدل MICD. مدیریت بحران، 5(1): 89-99.

9. شادمانی، م.، ص. عروفی، ک. محمدی و ع. سبزی­پرور. 1390. مدلسازی منطقه­ای دبی سیلابی در استان همدان با استفاده از شبکه عصبی مصنوعی. مجله پژوهش­های حفاطت آب و خاک، 18(4): 21-42.

10. طباطبایی­فر، س. م.، غ. زهتابیان، م. رحیمی، ح. خسروی و ش. نیکو. 1392. ارزیابی تأثیر تغییرات زمانی شرایط اقلیمی و وضعیت آب زیرزمینی بر شدت بیابان­زایی دشت گرمسار. مدیریت بیابان، 1(2): 39-48.

11. عباسی، ا. پ.، ح. امانی و م. زارعیان. 1393. ارزیابی کمی وضعیت بیابان­زایی با استفاده از مدل مدالوس و سیستم اطلاعات جغرافیایی (مطالعه موردی: دشت شمیل- استان هرمزگان). سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 5(1): 87-97.

12. عظیمی، ع.، ک. رنگزن، م. کابلی­زاده و م. خرمیان. 1394. برآورد تبخیر و تعرق با استفاده از سنجش از دور، شبکه­­های عصبی مصنوعی و مقایسه نتایج آن با روش پنمن- مانتیث- فائو در باغات مرکبات شمال خوزستان. ستجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 6(4): 61-75.

13. قلی­زاده، م. ح. و م. دارند. 1389. پیش­بینی بارش ماهانه با استفاده از شبکه­های عصبی مصنوعی (مورد: تهران). پژوهش­های جغرافیای طبیعی (پژوهش­های جغرافیایی)، 42(71): 51-63.

14. کارتالوپولوس، ا. 1390. منطق فازی و شبکه­های عصبی (مفاهیم و کاربردها). ترجمه: محمود جورابیان، رحمت­اله هوشمند، سعیداله مرتضوی، منوچهر تشکری. انتشارات دانشگاه شهید چمران اهواز. 318 صفحه.

15. کریمی، ک. 1393. بررسی روند و پیش­بینی بیابان­زایی دشت عباس با استفاده از شبکه عصبی مصنوعی. پایان­نامه کارشناسی ارشد دانشکده منابع طبیعی، دانشگاه تهران. 110 صفحه.

16. محمدی، ع. 1393. بررسی روند و پیش­بینی بیابان‌زایی دشت مهران با استفاده از شبکه عصبی مصنوعی. پایان­نامه کارشناسی ارشد دانشکده کشاورزی، دانشگاه ایلام. 95 صفحه.

17. ملکیان، آ.، م. ده بزرگی، ا. ه. احسانی و ا. ر. کشتکار. 1392. کاربرد شبکة عصبی مصنوعی در پیش‌بینی و شبیه‌سازی شاخص اقلیمی خشک‌سالی هواشناسی دهک بارش (مطالعة موردی: استان سیستان و بلوچستان). نشریه مرتع و آبخیزداری (مجله منابع طبیعی ایران)، 67(1): 127-139.

18. ملکی­نژاد، ح. و ر. پورشرعیاتی. 1392. کاربرد و مقایسه مدل سری زمانی تجمعی و مدل شبکه عصبی مصنوعی در پیش‌بینی تغییرات سطح آب زیرزمینی (مطالعه موردی: دشت مروست). علوم و مهندسی آبیاری، 36(3): 81-92.

19. منهاج، م. ب. 1393.  هوش‌ محاسباتی (جلد ‌اول‌)‌ مبانی ‌شبکه­‌های ‌عصبی‌. انتشارات دانشگاه‌ صنعتی‌ امیر کبیر (پلی­تکنیک‌ تهران)‌. 716 صفحه.

20. نیازی، ی.، م. ر. اختصاصی، ح. ملکی­نژاد، س. ز. حسینی و ج. مرشدی. 1389. مقایسه دو روش طبقه­بندی حداکثر احتمال و شبکه عصبی مصنوعی در استخراج نقشه کاربری اراضی (مطالعه موردی: حوزه سد ایلام). جغرافیا و توسعه، 8(20): 119-132.

21. نیک­منش، م. ر. و غ. ر. رخشنده­رو. 1390. ارزیابی توانایی شبکه­های مختلف عصبی مصنوعی در پیش­بینی تراز آب زیرزمینی در آبخوان محدوده سعادت شهر فارس (یادداشت فنی). تحقیقات منابع آب ایران، 7(1): 82-86 .

22. Chung YW. 2008. Prediction water table fluctuationusing artifical neural network. In partial fulfillment of the requirements for the degree of doctor of philosophy, University of Maryland, 185 pp.

23. Daliakopoulos IN, Coulibaly P, Tsanis IK. 2005. Groundwater level forecasting using artificial neural networks. Journal of Hydrology, 309(1): 229-240.

24. Deo M, Thirumalaiah K. 2000. Real time forecasting using neural networks. In:  Artificial neural networks in hydrology. Springer, Chapter 3, pp 53-71.

25. Maithani S, Jain RK, Arora MK. 2009. An Artificial Neural Network based approach for modelling urban spatial growth. ITPI Journal, 4(2): 43-51

26. Nourani V, Ejlali RG, Alami MT. 2011. Spatiotemporal groundwater level forecasting in coastal aquifers by hybrid artificial neural network-geostatistics model: a case study. Environmental Engineering Science, 28(3): 217-228.

27. Nourani V, Mogaddam AA, Nadiri AO. 2008. An ANN‐based model for spatiotemporal groundwater level forecasting. Hydrological Processes, 22(26): 5054-5066.

28. Saravi M, Keshavarzi A, Azareh A. 2013. Modeling of SAR and sulfate concentration using artificial neural network approach. International Journal of Agronomy and Plant Production, 4(3): 499-506.

29. Trafalis TB, Richman MB, White A, Santosa B. 2002. Data mining techniques for improved WSR-88D rainfall estimation. Computers & Industrial Engineering, 43(4): 775-786.