فهرست نشریات علمی دسترسی آزاد ایران

سابقه و هدف: پیش­بینی روند طوفان­‌ها، امکان برنامه‌­ریزی به منظور کنترل بحران گردوغبار را برای مدیران و مسئولان فراهم می‌‏سازد. الگوهای شبکه‏ عصبی مصنوعی از جمله روش­‌های پرکاربرد برای پیش­بینی است. در اغلب مطالعات، محققان برای یافتن مناسب‌­ترین الگوی شبکه عصبی مصنوعی که دقت بیشتری داشته باشد، چندین الگو تشکیل می­‌دهند تا مدلی که بیشترین دقت را دارد انتخاب کنند. هدف تحقیق حاضر، تلفیق الگوی رگرسیون چندمتغیره و شبکه عصبی– فازی ANFIS به منظور دستیابی سریع‏تر به الگوی مناسب است.مواد و روش­‌ها: در این تحقیق از داده‌­های روزهای گردوغباری، دما، بارندگی، رطوبت نسبی مأخوذه از ایستگاه سینوپتیک زابل، سالنامه­‌های آماری و آمار مربوط به آورد رودخانه هیرمند استفاده شده است. در ابتدا با استفاده از داده­‌های بارندگی به منظور بررسی وضعیت خشک‌سالی، مقدار شاخص SPI در نرم‌افزار برنامه‌نویسی R-Studio محاسبه شد. سپس مدل رگرسیونی چندمتغیره با استفاده از داده­‌های دما، حداکثر سرعت باد، آورد رودخانه هیرمند، شاخص SPI و تعداد روزهای گردوغباری به کمک نرم‌افزار Eviews برآورد شد. درنهایت، دو مدل شبکه عصبی- فازی ANFIS با ورودی‌­های متفاوت در نرم‌افزار MATLAB توسعه داده شد. بدین‌صورت که متغیرهای ورودی به مدل اول به صورت تصادفی انتخاب شد و برای تعیین متغیرهای ورودی مدل دوم از خروجی مدل رگرسیونی استفاده شد.نتایج و بحث: نتایج نشان داد، روزهای گردوغباری بیشترین همبستگی را با آورد رودخانه هیرمند با ضریب ۰.70- و پس از آن با شاخص خشک‌سالی (SPI) با ضریب ۰.65- دارد. شاخص SPI شامل مقادیر مثبت و منفی است، در سال­‌هایی که مقدار شاخص SPI کاهش یافته و نشان‌دهنده خشک‌سالی می­باشد، روزهای گردوغباری افزایش یافته است؛ بدن ترتیب همبستگی منفی و معکوسی ایجاد شده است. پس از آن ضریب همبستگی دما با تعداد روزهای گردوغباری با مقدار 0.56 و درنهایت ضریب همبستگی سرعت باد با روزهای گردوغباری 0.45 قرار دارد. نتایج برآورد رگرسیون چندمتغیره نشان داد که متغیرهای جریان رودخانه هیرمند، شاخص SPI، دما و سرعت باد اثر معنی‌‏داری بر تعداد روزهای گردوغباری دارند و علامت ضریب آن‏ها مطابق انتظار است. درنهایت، با استفاده از نرم‏افزار MATLAB و مدل ANFIS دو مدل با ورودی­‌های متفاوت بررسی شد. در مدل اول از متغیرهای دما، رطوبت نسبی و بارندگی به عنوان ورودی استفاده گردید. در مدل دوم متغیرهای آورد رودخانه هیرمند، شاخص SPI و دما که طبق نتایج ضرایب همبستگی و مدل‌‏سازی رگرسیون بیشترین تأثیر را بر روزهای گردوغباری داشتند، به عنوان ورودی تعیین شدند. نتایج ارزیابی دو مدل نشان داد، مدل دوم که مبتنی بر نتایج مدل‏‌سازی رگرسیونی و بررسی ضرایب همبستگی است، از خطای کمتری برخوردار است.نتیجه‌گیری: پیش­بینی حوادث در آگاه‏‌سازی مدیران و برنامه‌‏ریزان به منظور مدیریت مخاطرات­ بسیار مؤثر می‌­باشد. شبکه­‌های عصبی مصنوعی از جمله مهم­ترین روش­‌ها به منظور پیش­بینی هستند، اما انتخاب ورودی­‌های مناسب به منظور افزایش دقت پیش­بینی با شبکه عصبی مصنوعی بسیار اهمیت دارد. در بعضی مطالعات، محققان مجبور به ساخت چندین شبکه عصبی هستند تا شبکه‌‏ای که کمترین خطا را دارد را از بین آن‏ها انتخاب کنند که مستلزم صرف زمان زیادی است. در تحقیق حاضر، در ابتدا ضرایب همبستگی بین تمامی متغیرهای مدنظر محاسبه و با تخمین مدل رگرسیون چندمتغیره میزان اثرگذاری متغیرهای انتخابی بر متغیر وابسته بررسی شد. نتایج نشان داد درصورتی‌که متغیرهایی با بیشترین همبستگی و تأثیر معنی‏دار، بر متغیر وابسته به عنوان ورودی به شبکه عصبی- فازی انتخاب شود، دقت شبکه عصبی- فازی ANFIS افزایش می­‌یابد.