بررسی عملکرد شبکه‌‏های عصبی گازی در خوشه‌بندی هیدرولوژیک

Abstract

طراحی بسیاری از زیرساخت‌‏ها و پروژه‌‏های عمرانی نیازمند مطالعات گسترده‏‌ای در زمینه شرایط جغرافیایی منطقه و ویژگی‏‌های اقلیمی آن ناحیه می‌‏باشد. کارایی این پژوهش‌ها خود وابسته به اطلاعات و داده‏‌های موردنیاز است. در بسیاری از مواقع منطقه طرح در موقعیتی قرار دارد که هیچ‌گونه اطلاعات اقلیمی مانند بارش موجود نیست. از این‌رو، تحلیل فراوانی منطقه‌‏ای بسیار موردتوجه قرار گرفته است. در این شیوه با شرایط و ابزار خاصی اطلاعات موجود در نواحی دیگر قابل بسط و انتقال به سایر نواحی می‏‌شود. در این مسیر خوشه‏‌بندی یکی از تأثیرگذارترین مراحل می‏‌باشد که منطقه و ایستگاه‌‏های موجود را به مناطق همگن هیدرولوژیک تقسیم می‌‏نماید. از این‌رو، در این پژوهش علاوه بر روش‏های رایج در خوشه‏‌بندی از دو مدل جدید شبکه عصبی گازی و شبکه عصبی گازی رشدیابنده به‌منظور تعیین مناطق همگن در سطح استان خوزستان استفاده شد. یکی از ویژگی‌های منحصربه‌فرد این الگوریتم‏‌ها یادگیری توپولوژی یا شکل توزیع حاکم بر فضای داده‌ها می‌باشد. با استفاده از متغیرهای طول جغرافیایی، عرض جغرافیایی، ارتفاع، متوسط بارش سالانه و حداکثر بارش 24 ساعته سالانه ایستگاه، منطقه طرح به دو ناحیه همگن تقسیم و فرایند خوشه‏‌بندی انجام پذیرفت. نتایج نشان‏‌دهنده کارایی و دقت بالای شبکه‌‏های عصبی گازی در مبحث خوشه‏‌بندی می‌‏باشد. متوسط میزان خطا و هم‌چنین ضریب تغییرات خطا در این مدل به‌ترتیب 56/15 و 39/24 درصد برآورد شد که نسبت به روش‏‌های معمول برتری قابل‌توجهی از خود نشان داد.

Keywords

• تحلیل فراوانی منطقه‌‏ای
• خوزستان
• همگنی هیدرولوژیک
• یادگیری توپولوژی