کاربرد شبکه عصبی‌مصنوعی و مدل همبستگی در پیش بینی پدیده گرد و غبار در کلانشهر اهواز

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری رشته جغرافیا و برنامه‌ریزی روستایی، دانشگاه تبریز

2 استاد گروه جغرافیا و برنامه‌ریزی شهری، دانشگاه شهید چمران اهواز

3 دانشجوی دکتری رشته جغرافیا و برنامه‌ریزی روستایی، دانشگاه فردوسی مشهد

چکیده

گرد و غبار یکی از پدیده های مخرب اقلیمی در استان های غربی است که سالاته خسارت فراوانی را به محیط زیست وارد می نماید که عواملی بسیاری در بوجود آمدن آن نقش دارند. هدف از انجام این پژوهش پیش بینی پدیده گرد و غبار شهر اهواز می باشد. در این پژوهش از داده های سینوپتیکی اهواز طی سال­های (2010-2000) استفاده شده است. این داده­ها شامل میانگین نقطه دمای شبنم(به سانتیگراد)، میانگین سرعت باد بر حسب نات(knots)، رطوبت نسبی بر حسب درصد میانگین و میانگین بارندگی ماهانه به عنوان ورودی و داده روزهای توأم با گرد و غبار به عنوان هدف، به شبکه معرفی شدند. سپس، با استفاده از مدل سازی علّی، روابط میان متغیرها استخراج و در نهایت، مدل به وسیله شبکه عصبی و مدل رگرسیون گام به گام، آزمون شده است. نتایج، موید توانایی بیش از 74 درصد مدل بکار رفته، در پیش بینی پدیده گرد و غبار در شهر اهواز است. میزان رگرسیون حاصل از داده های گرد و غبار در یک ترکیب خطی با متغیرهای وارد شده در معادله برابر با 651/0 است. همچنین ضریب تعیین حاصل برابر با 424/0 و ضریب تعیین تعدیل یافته برابر با 410/0 گزارش شده است؛ یعنی در واقع حدود41 درصد از واریانس متغیر انجام گرد و غبار از طریق متغیرهای مستقل تبین و توجیه شده است.
 

کلیدواژه‌ها


 

 

 

 

 

 

فصلنامه انسان و محیط زیست، شماره 54، پاییز 99

کاربرد شبکه عصبی­مصنوعی و مدل همبستگی در پیش بینی پدیده

 گرد و غبار در کلانشهر اهواز

 

نبی الله حسینی شه­پریان[1]*

nabi.hosseini12@gmail.com

محمدعلی فیروزی[2]

سید رضا حسینی کهنوج[3]

تاریخ دریافت: 29/09/94                                                                                                                     تاریخ پذیرش: 29/02/95

چکیده

گرد و غبار یکی از پدیده های مخرب اقلیمی در استان های غربی است که سالاته خسارت فراوانی را به محیط زیست وارد می نماید که عواملی بسیاری در بوجود آمدن آن نقش دارند. هدف از انجام این پژوهش پیش بینی پدیده گرد و غبار شهر اهواز می باشد. در این پژوهش از داده های سینوپتیکی اهواز طی سال­های (2010-2000) استفاده شده است. این داده­ها شامل میانگین نقطه دمای شبنم(به سانتیگراد)، میانگین سرعت باد بر حسب نات(knots)، رطوبت نسبی بر حسب درصد میانگین و میانگین بارندگی ماهانه به عنوان ورودی و داده روزهای توأم با گرد و غبار به عنوان هدف، به شبکه معرفی شدند. سپس، با استفاده از مدل سازی علّی، روابط میان متغیرها استخراج و در نهایت، مدل به وسیله شبکه عصبی و مدل رگرسیون گام به گام، آزمون شده است. نتایج، موید توانایی بیش از 74 درصد مدل بکار رفته، در پیش بینی پدیده گرد و غبار در شهر اهواز است. میزان رگرسیون حاصل از داده های گرد و غبار در یک ترکیب خطی با متغیرهای وارد شده در معادله برابر با 651/0 است. همچنین ضریب تعیین حاصل برابر با 424/0 و ضریب تعیین تعدیل یافته برابر با 410/0 گزارش شده است؛ یعنی در واقع حدود41 درصد از واریانس متغیر انجام گرد و غبار از طریق متغیرهای مستقل تبین و توجیه شده است.

کلمات کلیدی: شبکه عصبی، مدل همبستگی، پیش بینی، گرد و غبار، کلانشهر اهواز

 

 

 

Human and Environment, No. 54, Autumn 2020

Application of Artificial Neural Network and Regression Model to Predict the Phenomenon of Dust in the City of Ahvaz

 

Nabiollah Hosseini Shahpariyan1

nabi.hosseini12@gmail.com

Mohammad Ali Firozi2

Seyyed Reza Hosseini Kahnoj3

 

Abstract

Dust is one of the phenomena of destructive climate in the western provinces that causes great damage to the environment and many factors are involved in creating this problem. The aim of this study is to predict the phenomenon of dust in Ahvaz city.

In this study, Ahvaz synoptic data during the years (2000-2010) have been used. These data include mean dew point (in degrees Celsius), mean wind speed in knots, relative humidity in terms of average percentage and average monthly rainfall as input, and data on dusty days as target. Networks were introduced. Then, using causal modeling, the relationships between the variables are extracted and finally, the model is tested by neural network and stepwise regression model. The results confirm the ability of more than 74% of the model used to predict the dust phenomenon in Ahvaz. The regression rate of dust data in a linear combination with the variables entered in the equation is equal to 0.651. Also, the resulting coefficient of determination is equal to 0.424 and the modified coefficient of determination is equal to 0.410; That is, in fact, about 41% of the variance of the dust variable is explained and justified through independent variables.

Key words: Neural Network Regression Model, Prediction, Dust, Metropolitan Ahvaz.

 

زمینه و هدف

 

هدف اصلی مدل سازی سری‌های زمانی، دادن نظم خاص به مشاهدات وابسته به زمان است تا بر اساس آن بتوان آینده را پیش‌بینی کرد. به سخن دیگر، مهم‌ترین هدف تجزیه‌وتحلیل سری‌های زمانی یافتن تغییرات و پیش‌بینی آینده آن است (9). یکی از پدیده‌های مخرب در مناطق خشک و نیمه‌خشک و یا مناطق هم‌جوار با آن، پدیده گردوغبار است. کشور ایران به علت قرار گرفتن در کمربند خشک و نیمه‌خشک جهان، به‌طور مداوم در معرض سیستم‌های گردوغبار محلی و سینوپتیکی متعدد است (10). از مهم‌ترین شرایط آمدن آن در کنار هوای ناپایدار، مقدار نمناکی است؛ به‌طوری‌که اگر هوای ناپایدار نمناک باشد، بارش و پدیده رعدوبرق، و اگر خشک باشد، پدیده گردوغبار را ایجاد می‌کند (6). عواملی دیگر؛ نظیر رطوبت نسبی، سرعت باد و اندازه و میانگین بارندگی، در به وجود آمدن پدیده گردوغبار مؤثرند در این رابطه می‌توان گفت ساختار رخدادهای گردوغبار بسیار پیچیده و وابسته به سامانه هوای محلی، بارندگی، رطوبت و ... است (2). طوفان گردوخاک در منابع مختلف تعارف متعدد و تا حدودی نامشخص دارد (4). بیشترین گردوغبار موجود در جو با منشأ ذرات ریزدانه اتفاق افتاده است که این ذرات در مناطق خشک و نیمه‌خشک جهان از فراوانی بالاتری برخوردارند. تأثیر گردوغبار ممکن است تا فاصله 4000 کیلومتری از منبع اصلی تداوم داشته، سبب بروز خسارت فراوان در زمینه­های بهداشتی، کشاورزی، صنعتی، حمل‌ونقل و سیستم‌های مخابراتی گردد (9). مطالعاتی که در ارتباط با فراوانی روزهای گردوغبار کشور انجام‌گرفته است، نشان می­دهد که چاله‌های مرکزی ایران، بیشترین روزهای گردوغباری را دارند به‌طور مثال؛ در مناطق وزش بادهای 120 روزه سیستان و بلوچستان فراوانی وقوع روزهای گردوغباری در سال به بیش از 150 روز می‌رسد. در مراکز جنوب غربی و غرب کشور که در مجاورت بیابان‌های بزرگ می‌باشند نیز روزهای گردوغبار قابل‌توجه است به‌طوری‌که میانگین روزهای گردوغبار در این بخش از کشور حدود 15 روز می‌رسد که فراوانی وقوع آن در مردادماه بیش از ماه‌های دیگر است (12). مطالعه سیستم گردوغبار در غرب کشور از چندین جنبه دارای اهمیت است اول این­که منطقه موردمطالعه به خاطر داشتن ویژگی‌های طبیعی ازجمله مرتع و کوهستانی بودن بیشتر آن-بجز بخش کوچکی در محدوده­ی استان‌های خوزستان و ایلام- داشتن بارندگی سالیانه بیشتر از متوسط کشوری و همچنین وجود پوشش گیاهی و مرتعی که درمجموع، آن را از مناطق خشک ایران جدا می‌کند، به‌عنوان یک منطقه­ی منبع گردوغبار به شمار نمی‌رود و درنتیجه بیشتر گردوغبارهای فراگیر و گسترده‌ای که در این منطقه مشاهده می‌شود فرامحلی بوده و از نواحی دور و نزدیک دیگر منشأ می­گیرد. دوم اینکه این منطقه در مسیر ورود سیکلون ها و سیستم‌های آورنده­ی گردوغبار به کشور قرارگرفته است (7). تحقیقات بسیاری نشان می‌دهد که بسامد و شدت توفان‌های گردوغبار زیاد شده است. در مورد شهر اهواز نیز باید این نکته را اشاره کرد که بیشترین روزهای گردوغباری در ماه‌های تابستان است(فصل گرم سال)، ولی این پدیده در سال‌های اخیر در حال کشیده شدن به فصل سرد سال است (2). افزایش وقوع گردوغبار در مناطق مختلف جهان و ایران، باعث توجه محققان زیادی در این زمینه و مطالعات زیادی از دیدگاه‌های مختلف درزمینه پدیده گردوغبار شده است. کاشائوتس و همکاران در سال 2007، دریکی از جدیدترین اقدامات سینوپتیک  دورسنجی صورت گرفته درزمینهٔ گردوغبار در مقاله‌ای که مربوط به بررسی مطالعه یکی از طوفان‌های شدید گردوغبار روی شمال صحرای آفریقا (لیبی) می‌باشد بیان می‌دارند این طوفان پس از گذشتن از دریای مدیترانه به کشور یونان می‌رسد. در این اقدام با استفاده از داده‌های سنجنده MODIS، آنالیز این توفان که در ماه آوریل رخ‌داده بود، موردبررسی قرار گرفت. بر این اساس در روز اوج انتقال غبار میزان عمق اپتیکی در کرت یونان حتی به 4 رسید. این در حالی است که مقدار متوسط این فصل در حدود 31/0 می‌باشد (20). در کشور چین نیز تان و همکاران، به بررسی شدت توفان گردوغبار از سال 1980 تا 2007 پرداخته شد؛ نتایج حاکی از آن بود که بیشترین وقوع گردوغبار در سال 1983 بوده است. نتایج همچنین نشان داد که از سال 1984 تا 1999 وقوع گردوغبار روند کاهشی  و از سال 2000 تا 2007 روندی افزایشی داشته است (15).  مطالعه دیگری در کشور چین توسط هوانگ و همکاران،گزارش‌شده است که توانسته‌اند به‌طور متوسط 6/71 و 2/68 درصد طوفان‌ها را پیش‌بینی نمایند (17).

در داخل کشور نیز مطالعات مختلفی به بررسی وضعیت گردوغبار پرداخته‌اند. رضایی بنفشه و همکاران در سال1389، در استان کردستان با استفاده از تصاویر ماهواره‌ای به برآورد میزان گردوغبار پرداختند که نتایج نشان داد، میزان نوع بدون گردوغبار و گردوغبار متوسط به‌طورکلی روندی کاهشی و گردوغبار ضعیف و شدید روندی افزایشی داشته‌اند به‌طوری‌که گردوغبار شدید بیشترین روند افزایشی را به خود اختصاص داده است (8). جمال‌زاده و همکاران در سال1389، در پژوهشی دیگر به‌پیش بینی طوفان گردوخاک شهر زابل با روش شبکه‌های عصبی پرداخته‌اند. نتایج به‌دست‌آمده در پیش‌بینی کوتاه‌مدت وقوع طوفان‌ها موفقیت بیشتری نشان می‌دهد و  با بیشتر شدن زمان پیش‌بینی، از دقت نتایج کاسته می‌شود. بنابراین به نظر می‌رسد با شناخت بهتر فرآیند این طوفان‌ها بتوان پیش‌بینی دقیق‌تری را با استفاده از این شبکه‌ها انجام داد (4). سمیری و همکاران در سال1392، به شناخت و بررسی عوامل مؤثر بر پدیده گردوغبار در غرب ایران پرداخته‌اند. نتایج  نشان داد که کاهش شدید رطوبت خاک براثر کاهش شدید بارش در دهه‌ی گذشته به­ویژه در شمال خاورمیانه که منطقه‌ی تغذیه رودهای بزرگ بین‌النهرین است و نیز افزایش فرکانس عبور امواج کوتاه و سریع با مؤلفه‌ی باد مداری قوی از دلایل اصلی وقوع توفان­های منطقه هستند.  به نظر می‌رسد تقویت پرفشار جنب‌حاره‌ای روی عربستان و هم‌زمان گسترش و باز شدن خطوط 588 دکامتر باعث افزایش سرعت امواج کوتاه سطوح میانی و کاهش فرارفت رطوبتی از سطوح بالای عرض­های جنوبی به منطقه موردمطالعه می­گردد (10). سبحانی و همکاران در سال1394، در پژوهشی با مدل ANFIS به بررسی و ارزیابی گردوغبار شهر زابل پرداخته‌اند، نتایج پیش‌بینی گردوغبار با مدل انفیس نشان از قابلیت بالای آن در پیش‌بینی گردوغبار در این ایستگاه می‌باشد. ساختار سیستم استنتاج فازی تعیین‌شده با چهار تابع عضویت به شکل قوسی با روش آموزش هیبرید، با اطمینان حدود63 درصد گردوغبار ایستگاه زابل را پیش‌بینی می‌کند (11).

در این راستا، پژوهش حاضر، بررسی نسبتاً کاملی از عملکرد شبکه عصبی (مدل پرسپترون چند لایه) در پیش‌بینی پدیده گردوغبار شهر اهواز انجام داده و کارایی این مدل در بهبود دقت پیش‌بینی را نشان می‌دهد. همچنین در مرحله بعد، به بررسی پارامترهای تأثیرگذار بر پدیده گردوغبار با استفاده از مدل رگرسیون گام‌به‌گام (استفاده از نرم­افزار SPSS) پرداخته‌شده است. بنابراین هدف اصلی پژوهش حاضر، پیش‌بینی روند پدیده گردوغبار (اطلاعات به‌دست‌آمده از مرکز هواشناسی ایران طی سال­های 2010-2000) و تعیین عوامل مؤثر بر پدیده گردوغبار در شهر اهواز به‌عنوان یکی از پیامدهای مخرب زیست‌محیطی است.

روش بررسی:

منطقه موردمطالعه

شهر اهواز، مرکز استان خوزستان است. بر اساس سرشماری سال1390 جمعیت آن 1395184می‌باشد. داده‌ها هواشناسی و اقلیمی ایستگاه سینوپییک با مختصات 49درجه و 11 دقیقه طول شرقی و 31 درجه و 50 دقیقه عرض شمالی نشان می‌دهد که بر پایه طبقه‌بندی اقلیمی دومارتون، آب‌وهوای این شهر در محدوده گروه اقلیم خشک قرار دارد. میانگین آماری54 ساله کمینه دما در دی‌ماه 3/12 و بیشینه دما در تیرماه با 1/37 درجه سلسیوس مشاهده‌شده و ازلحاظ بارش ماهانه بیشینه بارش در دی‌ماه 8/49 میلی‌متر در مردادماه مشاهده‌شده است. بیشترین نم نسبی در دی‌ماه با 72 درصد و کمترین آن با 23 درصد در خردادماه دیده‌شده است (3).


                   

 

شکل1- موقعیت جغرافیایی مناطق هشت‌گانه شهر اهواز

                                  ترسیم : نگارندگان


 

مواد و روش­ها

 

در این مطالعه از داده­های بلندمدت هواشناسی ایستگاه سینوپتیک اهواز در طول دوره 11 ساله (2010-2000) استفاده شد. داده‌ها پس از اخذ از سازمان هواشناسی کشور مورد پردازش قرارگرفته و داده‌های ناقص بازسازی شدند. به‌منظور پیش‌بینی پدیده گردوغبار از شبکه عصبی پرستون چندلایه استفاده شد و نرم‌افزار مورداستفاده برای ساخت شبکه، نرم‌افزار MATLAB ، می باشد. از شبکه عصبی پیشخور و تابع انتقال برای ایجاد الگوریتم Levenberg marquardt استفاده گردید. در این پژوهش، داده­های میانگین نقطه دمای شبنم(به سانتی‌گراد)، میانگین سرعت بادبر حسب نات(knots)، رطوبت نسبی برحسب درصد میانگین و میانگین بارندگی ماهانه به‌عنوان ورودی و داده روزهای توأم با گردوغبار به‌عنوان هدف، به شبکه معرفی شدند. از مجموع داده­ها، 132نمونه جهت آموزش به شبکه، معرفی گردید و درنهایت، با توجه به آزمون‌وخطاهای مکرر برای ساخت شبکه مناسب، شبکه‌ای با یک‌لایه پنهان و 10 نرون، بیشترین دقت را برای پیش‌بینی داشت.

 

 

 

شکل2-ورود داده­های پژوهش به شبکه مصنوعی چندلایه

 

 

همچنین به‌منظور تعیین تأثیرگذاری عوامل مؤثر بر پدیده گردوغبار، از رگرسیون خطی در مدل رگرسیون گام‌به‌گام در نرم‌افزار (SPSS) استفاده شد. بررسی اولیه منابع آماری داده‌های گردوغبار در ایستگاه سینوپتیکی اهواز در طول دوره 11 ساله (2010-2000) نشان می‌دهد که حداکثر متوسط ماهیانه گردوغبار در ماه جولای در سال 2009 معادل 30 روز است.

 

 

جدول1- خلاصه متغیرهای هواشناسی اندازه‌گیری شده در ایستگاه سینوپتیک اهواز

متغیرهای اندازه‌گیری شده

حدود بیشینه

حدود کمینه

میانگین

میانگین نقطه دمای شبنم

3/18

7/1

50/8

میانگین سرعت باد برحسب نات(knots)

50/8

70/1

64/6

رطوبت نسبی برحسب درصد میانگین

85

16

31/40

میانگین بارندگی ماهانه به‌عنوان ورودی

7/131

0

20/16

روزهای توأم با گردوغبار به‌عنوان هدف

30

0

05/8

                 منبع: نگارندگان


 


قابلیت شبکه عصبی مصنوعی

این مدل توانایی استخراج روابط نهفته بین ورودی‌ها و خروجی‌های مدل رادارند. این ساختار از تعداد بسیار زیادی عناصر پردازشی یانورون ها تشکیل‌شده است که برای حل مسائل پیچیده مورداستفاده قرار می‌گیرد. این شبکه‌ها مانند کسب تجربه در انسان، از موارد نمونه یاد می‌گیرند و برای کاربردهای خاص از قبیل تشخیص الگو یا طبقه‌بندی داده‌ها طی روند یادگیری، سازمان‌دهی شده‌اند و این شرح ساده‌ای از شبکه‌های عصبی مصنوعی است (1). انواع بسیار متفاوتی از شبکه‌های عصبی با گستره‌ی کاربردی ویژه وجود دارند (16). معمول‌ترین نوع شبکه‌ی عصبی مصنوعی که پرسپترون چندلایه نامیده می‌شود شامل سه واحد گروهی یا لایه‌ای می‌شود: یک‌لایه‌ی ورودی که به یک‌لایه‌ی پنهان متصل است و این لایه نیز به‌نوبه‌ی خود به لایه‌ای که لایه‌ی خروجی نامیده می‌شود متصل می‌گردد. پژوهشگران معمولاً شبکه‌های عصبی را پایک یا دولایه‌ی پنهان طراحی می‌کنند (13). زیرا شبکه‌های عصبی با لایه‌های پنهان دارای توانایی بیشتری نسبت به شبکه­های عصبی دولایه هستند (14). اما به‌طورکلی هیچ روش سیستماتیک پذیرفته‌شده‌ای برای تعیین تعداد ورودی بهینه وجود ندارد (18). مجموع ورودی­ها هر نورون پس از ضرب‌در وزن‌های متناظر دریک تابع موسوم به تابع محرک اعمال می‌شوند و بر اساس نیاز خاص مسئله‌ای که قرار است به‌وسیله شبکه‌ی عصبی حل شود، می‌تواند خطی یا غیرخطی انتخاب شود. در حقیقت تابع محرک ارتباط بین ورودی و خروجی گره­ها و شبکه را برآورد می­نماید (14).

تئوری ریاضی شبکه‌های عصبی مصنوعی

شبکه عصبی مصنوعی درواقع، مدل ساده‌شده‌ای از مغز انسان

است که توانایی رخ دادن فرآیندها و ترکیبات دلخواه غیرخطی برای ارتباط بین ورودی و خروجی‌های  هر سیستمی را داراست؛ ضمناً این شبکه با داده‌های موجود طی فرآیند یادگیری، آموزش داده می‌شود و به‌منظور پیش بینی در آینده استفاده می گردد.  نرون­های شبکه عصبی در حقیقت ، شکل بسیار ساده از نرون های بیولوژیک هستند، ولی از توانایی کمتری نسبت به آن‌ها برخوردارند(شکل3و4).

 

 

 

 

                              شکل3- ساختار یک نرون مصنوعی                    شکل4- ساختار یک نرون طبیعی(بیولوژیک)

 

 

عموماً هر شبکه عصبی از سه لایه تشکیل‌شده که عبارت‌اند از: 1- لایه ورودی، شامل چند نرون است که در این پژوهش، میانگین نقطه دمای شبنم(به سانتی‌گراد)، میانگین سرعت باد بر حسب نات(knots)، رطوبت نسبی برحسب درصد میانگین، بارندگی ماهانه میانگین، تعداد روزهای توأم با گردوخاک را دریافت می‌کند 2- لایه پنهان، شامل تعدادی نرون متغیر است که تعداد بهینه آن‌ها برای حداقل شدن خط((RMSE,R,MAE از طریق آزمایش و تکرار تعیین می‌گردد 3- لایه خروجی، که برای افزایش سرعت شبکه در این لایه، از تابع فعال‌ساز استفاده می‌شود تا با استفاده از آن‌هم سرعت یادگیری افزایش یابد و هم مقادیر خروجی بدون تغییر به شبکه ارائه‌شده، درنهایت خروجی مطلوب را بسازد.

معماریشبکه‌هایعصبیچندلایه

در سال‌های اخیر، چندین تقریب گر عمومی تابع پیشنهادشده است که از آن جمله می‌توان پرسپترون چندلایه(MLP) را نام برد. یک نقطه قدرت عملی این سیستم‌ها، این است که می‌توانند توابع غیرخطی را با تعداد زیادی متغیر، تقریب بزنند و از اطلاعات موجود در مجموعه‌های بسیار بزرگ عددی استفاده کنند (1).  به دلیل آنکه الگوریتم آموزش در شبکه‌های MLP معمولاً پس انتشار(BP) است.

 

در این رابطه  مقدار خروجی لایه قلبی و  وزن‌های لایه مربوط و  میزان بایاس است. درواقع، این رابطه‌ای خطی است. سپس مقدارF ) محاسبه می‌شود که F، یک تابع محرک است که این مقاله، تابع فعال‌ساز لایه پنهان، از نوع تانژانت سیگموید (Tan-Sigmoid Function) با رابطه F ) و تابع فعال ساز لایه خروجی، از نوع خطی یا همگانی (Linear Transfer Function) است(شکل5).

 

 

 

 

            شکل5- معماری شبکه‌های مصنوعی چندلایه

 

 

 

برای پیش‌بینی، بایستی مقادیر   و  آموزش ببینند. یعنی مقادیر آن‌ها طوری طراحی شود که سیستم بتواند پیش‌بینی را صورت دهد. در چنین حالتی، بایستی ما یک الگوریتم برگشتی(محاسبات پسرو) بری آموزش وزن‌ها و بایاس ها داشته باشیم. فرض کنید، obc مقادیر مشاهده‌شده (واقعی) و pre مقادیر پیش‌بینی‌شده(محاسبه‌شده) باشند، الگوریتم آموزش در اینجا روش BP است، که محاسبات آن به‌صورت پس انتشار خطا بوده و شکل زیر است:

 

در این رابطه،  Δ  به مقدار  برای آموزش اضافه می‌شود که در آن η نرخ آموزش و یک عدد مثبت است (5).

نتایج:

پیش‌بینی پدیده گردوغبار با استفاده از مدل پرستون چندلایه

در این پژوهش با استفاده از نرم‌افزار MATLAB، یک شبکه عصبی طراحی و ساخته شد. نخست، داده­ها برای ورود به شبکه به‌صورت زیر تقسیم بندی شدند:

-80 درصد به عنوان مجموعه آموزشی

-26 درصد به عنوان مجموعه ارزیابی

-26 درصد به‌عنوان مجموعه آزمایشی

 

 

 

 

شکل6- تقسیم‌بندی داده‌های ورودی

 

 

تعداد 4 متغیر به‌عنوان ورودی و یک خروجی (تعداد روزهای توأم با گردوغبار) در قالب فایل EXCEL و به‌صورت ماتریس به شبکه داده شد. بارها برای بالابردن کارایی؛ شبکه طراحی گردید زیرا تنها راه تعیین لایه‌های پنهان ، تعداد لایه و همچنین نوع تابع تبدیل طراحی شبکه و آزمایش آن است. در انتها با توجه به جواب‌های به‌دست‌آمده استفاده از یک‌لایه پنهان تعداد 12 نورون برای تجزیه تحلیل بهترین نتیجه را  برای رسیدن به درصد بالا برای تخمین داشت.  به دلیل نامشخص بودن مقدار بهینه تکرار آموزش، طبق روش توقف به‌موقع هم‌زمان با ارائه داده­های مجموعه آموزش و بهینه‌سازی وزن‌های شبکه، داده‌های مجموعه ارزیابی نیز به شبکه تنها برای به دست آوردن پیش بنی ارائه می‌شوند و تا زمانی که بهبود خطابه مقدار بسیار کم نرسیده است تکرارهای آموزش ادامه خواهند داشت و درنهایت بهترین میزان تکرار بر اساس مقدار مینیمم مجموع داده‌های مجموعه آموزش و تائید انتخاب می‌شود. شکل شماره (7)، نشان می­دهد که فرایند آموزش شبکه عصبی از داده­های ورودی چگونه پیش می­رود. با توجه به تنظیمات انجام‌شده، شبکه با رخ دادن 6 تکرار متوالی در خطای مجموعه ارزیابی متوقف شد. این توقف در تکرار 17 رخ‌داده است. با توجه به نمودار زیر مشخص می­شود:

الف: مقدار خطای میانگین مربعات نهایی کوچک است.

ب: خطای مجموعه آزمایشی با خطای مجموعه ارزیابی دارای رفتار و خصوصیات تقریباً یکسانی است.

ج: تا تکرار 17 (که بهترین کارایی در مورد مجموعه ارزیابی به وقوع می‌پیوندد) هیچ بیش برازشی رخ نداده است.

 

 

 

شکل7-  نمودار کارآیی شبکه


نمودار میانگین رگرسیونی

شکل شماره (8)، گویای میزان دقت شبکه در پیش‌بینی پدیده گردوغبار می­باشد، این نمودار میزان نزدیکی خروجی‌های شبکه به مقادیر واقعی را نشان می­دهد. هر چه نقاط به محور قطری نمودار نزدیک‌تر باشند و تجمع پیدا کنند مقادیر خروجی به مقادیر واقعی نزدیک‌ترند. در این پژوهش شبکه با استفاده از 4 متغیر معرفی‌شده در پژوهش با دقت747 % توانست پدیده گردوغبار را پیش‌بینی کند.

 

 

 

                        

    شکل8- نمودار معادله رگرسیونی بین مقادیر متغیرهای مؤثر در پدیده گردوغبار

 


تعیین عوامل مؤثر بر پدیده گردوغبار

برای مشخص کردن تأثیرگذاری متغیرهای مورداستفاده در پژوهش، از روش رگرسیون گام‌به‌گام استفاده‌شده است. همان‌طور که در جدول شماره (2)،  مشاهده می‌شود ضرایب همبستگی چندگانه، ضریب تعیین تعدیل‌یافته و خطای معیار برآورد برای هر یک از مراحل انجام تحلیل رگرسیون به نمایش درآمده است. گفتنی است در خروجی به‌دست‌آمده بایستی همیشه از یافته‌ها و ارقام مدل نهایی(ردیف آخر) استفاده کرد.

 

 

 

جدول 2-تعیین ضرایب رگرسیون گام‌به‌گام

Model Summary

Std. Error

Adjusted R Square

R Square

R

Model

066/5

322/0

327/0

a527/0

میانگین نقطه دمای شبنم

829/4

384/0

393/0

 b627/0

میانگین سرعت باد

723/4

410/0

424/0

c651/0

رطوبت نسبی

           منبع: یافته‌های پژوهش

 

بر اساس نتایج حاصل از تحلیل رگرسیون گام‌به‌گام، سه متغیر میانگین نقطه دمای شبنم، میانگین سرعت باد و رطوبت نسبی رطوبت، سرعت باد و نقطه شبنم بیشترین تأثیر را بر پدیده گردوغبار دارند؛ بنابراین با مراجعه به‌ردیف شماره3 این جدول یعنیModel3  می‌توان بیان کرد که میزان همبستگی متغیر گردوغبار در یک ترکیب خطی با متغیرهای واردشده در معادله برابر با 651/0 است. همچنین ضریب تعیین حاصل برابر با 424/0 و ضریب تعیین تعدیل‌یافته برابر با 410/0 گزارش‌شده است؛ یعنی درواقع حدود41 درصد از واریانس متغیر انجام گردوغبار از طریق متغیرهای مستقل نبین و توجیه شده است و مابقی متعلق به دیگر متغیرهاست که در این پژوهش در نظر گرفته نشده است.

بحت و نتیجه­گیری

با توجه به خلاصه­ی نتایج و نمودارهای مربوطه، می‌توان نتیجه گرفت که انتخاب مناسب چگونگی ثبت خروجی مدل تا چه اندازه می‌تواند در بهبود عملکرد مدل نقش داشته باشد. در مورد وقوع گردوغبار، هنگامی‌که مقدار به‌دست‌آمده از شبکه یا مدل، به مقدار یک نزدیک می‌شود وقوع آن محتمل‌تر است و هنگامی‌که این نوسان از مقدار صفر تجاوزی نداشته باشد یک رخداد با حداقل گردوغبار را انتظار داریم. اگرچه نتایج به‌دست‌آمده در این تحقیق، مقداری بهتر از موارد مشابه است. اما قدر مطلق خطا در مرحله­ی آزمون سریعاً افزایش می‌یابد و عددی با مرحله آموزشی یا ارزیابی نشان می‌دهد و نمی‌توان جواب درستی را ثبت کرد. اما این مقدار خطا در مرحله کل به کمترین مقدار خود نزدیک می‌شود و با اندکی تسامح می‌توان دقت شبکه را بالا فرض کرد. این مقدار در مدل رگرسیون گام‌به‌گام، که میزان همبستگی متغیر گردوغبار در یک ترکیب خطی با متغیرهای واردشده در معادله برابر با 651/0 است. همچنین ضریب تعیین حاصل برابر با 424/0 و ضریب تعیین تعدیل‌یافته برابر با 410/0 گزارش‌شده است؛ یعنی درواقع حدود41 درصد از واریانس متغیر انجام گردوغبار از طریق متغیرهای مستقل نبین و توجیه شده است. به نظر می‌رسد درباره طوفان گردوغبار، عدم تفکیک صحیح وقایع، تداخل رخدادها و موارد این‌چنینی باعث ایجاد مشکل در تهیه یک مدل پیش‌بینی با استفاده از این روش‌ها می‌گردد.

با توجه به نتایج به‌دست‌آمده از تحقیقات جمالی­زاده و همکاران(1389)، سمیری و همکاران(1392) و سبحانی و همکاران(1394) می‌توان گفت شبکه عصبی و مدل­های رگرسیونی پیش­بینی دقیق‌تری از پدیده گردوغبار دارند. نتایج این پژوهش نیز تأیید بر این گفتمان است.

منابع

1-      امانپور، سعید و همکاران، تخمین قیمت مسکن شهر اهواز با استفاده از شبکه عصبی، فصلنامه اقتصاد و مدیریت شهری، 1394، سال سوم، شماره 9، صص57-45.

2-      تقوی، فرحناز و همکاران، تشخیص و پایش توفان گردوغبار غرب ایران با استفاده از روش‌های سنجش‌ازدور، مجله فیزیک زمین و فضا، 1392، دوره 39، شماره3، صص 96-83؛

3-      حسینی شه­پریان، نبی‌الله، تحلیلی بر عدالت فضایی با تأکید بر خدمات عمومی شهری کلان‌شهر اهواز، پایان‌نامه کارشناسی ارشد، گروه جغرافیا و برنامه‌ریزی شهری، دانشگاه شهید چمران اهواز.1394.

4-      جمال‌زاده، محمدرضا و همکاران، پیش‌بینی وقوع طوفان گردوخاک با استفاده از روش شبکه‌های عصبی مصنوعی: موردی: شهر زابل، فصلنامه تحقیقات مرتع و بیابان ایران، 1389، جلد17، شماره2، صص220-205.

5-      خوشحال دستجردی، جواد و سید محمد حسینی، کاربرد شبکه عصبی مصنوعی در شبیه‌سازی عناصر اقلیمی و پیش‌بینی سیکل خشک‌سالی(مطالعه موردی: استان اصفهان)، مجله جغرافیا و برنامه‌ریزی محیطی، 1389شماره پیاپی39، شماره3؛

6-      ذوالفقاری، حسن و حیدر عابدزاده، بادهای 120 روزه سیستان، فصلنامه تحقیقات جغرافیایی، 1384، شماره 46؛

7-      رضایی بنفشه و همکاران، قمان، برآورد میزان گردوغبار با استفاده از تصاویر ماهواره‌ای در استان کردستان، فصلنامه جغرافیای طبیعی،1389، شماره 18، صص 13-1؛

8-      طاووسی، تقی و اکبر زهرایی، مدل‌سازی سری‌های زمانی پدیده گردوغبار شهر اهواز، فصلنامه تحقیقات جغرافیایی، 1392، سال 28، شماره 2، پیاپی 109، صص 170-159؛

9-      سمیرمی، سیاوش  و همکاران، شناخت و بررسی عوامل مؤثر بر پدیده گردوغبار در غرب ایران، فصلنامه انسان و محیط‌زیست، 1392، شماره 27، صص 10-1؛

10-  سبحانی، بهروز و همکاران، بررسی گردوغبار و ارزیابی امکان پیش‌بینی آن بر اساس روش‌های آماری و مدل ANFIS در ایستگاه زابل، فصلنامه جغرافیا و توسعه، 1394، شماره8، صص128-123.

11-  علیجانی، بهلول، آب‌وهوای ایران، انتشارات دانشگاه پیام نور تهران؛1376.

12-  قدیری، محمدرضا و سعید مشیری، مدل‌سازی و پیش‌بینی رشد اقتصادی در ایران با استفاده از شبکه‌های عصبی مصنوعی، فصلنامه پژوهش‌های اقتصادی ایران،1382، شماره 12، صص97-125؛

13-  منهاج، محمدباقر، مبانی شبکه‌های عصبی(هوش محاسباتی)، نشر دکتر حسابی، انتشارات  دانشگاه تهران.1387.

14-  Tan, M., Li, X., Xin, L., 2014.Intensity Of Dust Storms In China From 1980 To 2007: A New Definition, Atmospheric Environment, 215-222.

15-  Haykin, S., 1994. Neural Networks, A Comprehensive Foundation. 1St Ed. Macmillan College Publishing Company, New York, NY

16-  Huang, M., Peng, G., Zhang, J. And Zhang, S., 2006. Application Of Artificial Neural Networks To The Prediction Of Dust Storms In Northwest China Journal Of Global And Planetary Change 52: 216 – 224;

17-  Kaskaoutis, D.G., Kosmopoulos, P., Kambezidis, H.D., Nastos, P.T., 2007.  Aerosol Climatology And Discrimination Of Different Types Over Athens, Greece Based On MODIS Data. Atmos. Environ. 41, 7315–7329.

18-  Zhang, G., Patuwo, B.E. And Hu, M.Y., 1998. Forecasting With Artificial Neural Network: The State Of Art, International Journal Of Forecasting, 14: 35-62.


 

 

 



[1] - دانشجوی دکتری رشته جغرافیا و برنامه‌ریزی روستایی، دانشگاه تبریز

[2] - استاد گروه جغرافیا و برنامه‌ریزی شهری، دانشگاه شهید چمران اهواز

[3] - دانشجوی دکتری رشته جغرافیا و برنامه‌ریزی روستایی، دانشگاه فردوسی مشهد

1- Ph.D. Candidate, Geography and Rural Planning, University of Tabriz, Tabriz, Iran

2- Full Professor, Geography and Urban Planning, Shahid Chamran University of Ahvaz, Iran

3- Ph.D. Candidate, Geography and Rural Planning, Ferdowsi University of Mashhad, Iran

1-      امانپور، سعید و همکاران، تخمین قیمت مسکن شهر اهواز با استفاده از شبکه عصبی، فصلنامه اقتصاد و مدیریت شهری، 1394، سال سوم، شماره 9، صص57-45.
2-      تقوی، فرحناز و همکاران، تشخیص و پایش توفان گردوغبار غرب ایران با استفاده از روش‌های سنجش‌ازدور، مجله فیزیک زمین و فضا، 1392، دوره 39، شماره3، صص 96-83؛
3-      حسینی شه­پریان، نبی‌الله، تحلیلی بر عدالت فضایی با تأکید بر خدمات عمومی شهری کلان‌شهر اهواز، پایان‌نامه کارشناسی ارشد، گروه جغرافیا و برنامه‌ریزی شهری، دانشگاه شهید چمران اهواز.1394.
4-      جمال‌زاده، محمدرضا و همکاران، پیش‌بینی وقوع طوفان گردوخاک با استفاده از روش شبکه‌های عصبی مصنوعی: موردی: شهر زابل، فصلنامه تحقیقات مرتع و بیابان ایران، 1389، جلد17، شماره2، صص220-205.
5-      خوشحال دستجردی، جواد و سید محمد حسینی، کاربرد شبکه عصبی مصنوعی در شبیه‌سازی عناصر اقلیمی و پیش‌بینی سیکل خشک‌سالی(مطالعه موردی: استان اصفهان)، مجله جغرافیا و برنامه‌ریزی محیطی، 1389شماره پیاپی39، شماره3؛
6-      ذوالفقاری، حسن و حیدر عابدزاده، بادهای 120 روزه سیستان، فصلنامه تحقیقات جغرافیایی، 1384، شماره 46؛
7-      رضایی بنفشه و همکاران، قمان، برآورد میزان گردوغبار با استفاده از تصاویر ماهواره‌ای در استان کردستان، فصلنامه جغرافیای طبیعی،1389، شماره 18، صص 13-1؛
8-      طاووسی، تقی و اکبر زهرایی، مدل‌سازی سری‌های زمانی پدیده گردوغبار شهر اهواز، فصلنامه تحقیقات جغرافیایی، 1392، سال 28، شماره 2، پیاپی 109، صص 170-159؛
9-      سمیرمی، سیاوش  و همکاران، شناخت و بررسی عوامل مؤثر بر پدیده گردوغبار در غرب ایران، فصلنامه انسان و محیط‌زیست، 1392، شماره 27، صص 10-1؛
10-  سبحانی، بهروز و همکاران، بررسی گردوغبار و ارزیابی امکان پیش‌بینی آن بر اساس روش‌های آماری و مدل ANFIS در ایستگاه زابل، فصلنامه جغرافیا و توسعه، 1394، شماره8، صص128-123.
11-  علیجانی، بهلول، آب‌وهوای ایران، انتشارات دانشگاه پیام نور تهران؛1376.
12-  قدیری، محمدرضا و سعید مشیری، مدل‌سازی و پیش‌بینی رشد اقتصادی در ایران با استفاده از شبکه‌های عصبی مصنوعی، فصلنامه پژوهش‌های اقتصادی ایران،1382، شماره 12، صص97-125؛
13-  منهاج، محمدباقر، مبانی شبکه‌های عصبی(هوش محاسباتی)، نشر دکتر حسابی، انتشارات  دانشگاه تهران.1387.
14-  Tan, M., Li, X., Xin, L., 2014.Intensity Of Dust Storms In China From 1980 To 2007: A New Definition, Atmospheric Environment, 215-222.
15-  Haykin, S., 1994. Neural Networks, A Comprehensive Foundation. 1St Ed. Macmillan College Publishing Company, New York, NY
16-  Huang, M., Peng, G., Zhang, J. And Zhang, S., 2006. Application Of Artificial Neural Networks To The Prediction Of Dust Storms In Northwest China Journal Of Global And Planetary Change 52: 216 – 224;
17-  Kaskaoutis, D.G., Kosmopoulos, P., Kambezidis, H.D., Nastos, P.T., 2007.  Aerosol Climatology And Discrimination Of Different Types Over Athens, Greece Based On MODIS Data. Atmos. Environ. 41, 7315–7329.
18-  Zhang, G., Patuwo, B.E. And Hu, M.Y., 1998. Forecasting With Artificial Neural Network: The State Of Art, International Journal Of Forecasting, 14: 35-62.