نشریه تخصصی مهندسی صنایع، دوره 47، شماره 1، فروردین ماه 1392، از صفحه 81 تا 91
ارایه یک رویکرد ترکیبی میانگین متحرك خودگردان فصلی و شبکههاي نرو ـ فازي خطی محلی براي پیشبینی میزان بارندگی در شهر زابل

میثم نصرالهی1، حسن مینا *2، سید فرید قادري3 و رضا قدسی4
دانشجوي دکتري مهندسی صنایع – پردیس دانشکده هاي فنی- دانشگاه تهران
دانشآموخته ي کارشناسی ارشد مهندسی صنایع – پردیس دانشکده هاي فنی- دانشگاه تهران
دانشیار دانشکده مهندسی صنایع – پردیس دانشکده هاي فنی- دانشگاه تهران
استادیار دانشکده مهندسی صنایع – پردیس دانشکده هاي فنی- دانشگاه تهران
(تاریخ دریافت 7/8/91، تاریخ دریافت روایت اصلاحشده 26/9/91، تاریخ تصویب 24/1/92)

چکیده
تغییرات بوم شناختی ناشی از تغییرات اقلیمی میتواند نقش بسزایی در شـرایط جوامـع بشـري بخصـوص شـرایط سـلامتی و وضـعیتاقتصادي ایفا نماید. در برخی موارد، تغییرات ناگهانی و غیرمترقبه شرایط اقلیمی میتواند منجر به وقوع بحرانهاي اجتماعی و اقتصادي گردد. بنابراین پیشبینی دقیق این تغییرات میتواند به مدیران جامعه در راستاي مقابله با عوارض ناشی از این تغییرات کمک نماید. یکی از مهمترین پارامترها در این بین میزان بارش است. در این پژوهش یک رویکرد ترکیبی میانگین متحرك یک پارچه خودگردان فصلی و شبکههـاي نـرو ـفازي خطی محلی براي پیش بینی میزان بارش ارایه گردیده است. مدل پیشنهادي با استفاده از داده هاي میزان بارش ماهیانه کـه در ایسـتگاههواشناسی سینپتیک زابل از سال 1939 تا 2011 جمع آوري شده است، طراحی گردیده و نتایج حاصـل از آن بـا مـدل تنـاوبی سینوسـی ـکسینوسی مقایسه شده است. نتایج حاصله مبین کارآیی مدل پیشنهادي به عنوان یک ابزار کاربردي براي پیشبینی میزان بارندگی است.

واژه هاي کلیدي: پیشبینی میزان بارش، سري زمانی، مدیریت بحران ،میانگین متحرك یک پارچه خودگردان فصلی، شبکه هاي نرو فازي خطی محلی

مقدمه
تغییرات اقلیمی، پدیدهاي است که در نتیجه بروز عواملی مانند فرآیندهاي دینامیکی زمین و یا عوامل بیرونی از قبیل تغییرات در شدت تابش آفتاب و یا فعالیتهاي انسانی رخ میدهد. به طور کلی، هر گونه تغییر مشخص در الگوهاي مورد انتظار بر وضعیت آب و هوایی، تغییرات اقلیمی نامیده میشود. گرم شدن ناگهانی زمین، جابه جایی فصلها، بروز خشکسالیهاي گسترده در بعضی از مناطق، بارشهاي ناگهانی و سیل آسا و تغییرات غیرمترقبه و ناگهانی دما نمونههایی از تغییرات اقلیمی هستند [1].
نیکولاس استرن (2006)، اقتصاددان برجسته و معاون ارشد ریاست بانک جهانی، اظهار داشته است:
»تغییرات آب و هوایی بر رشد اقتصادي کشورها تأثیرگذار است تا آنجا که میتواند حدود 20 درصد از اقتصاد یک کشور را به نابودي بکشاند.« [2].

Email: [email protected] ، 021-88013102 :نویسنده مسئول: تلفن: 88021067 -021 ، فاکس *

بنابراین پیش بینی دقیق این تغییرات اهمیت دارد.
یکی از ابزارهاي پیش بینی تغییرات اقلیمی، استفاده از ابزارهاي سري زمانی است، اما با توجه به ماهیت شدت غیرخطی تغییرات اقلیمی، این ابزارها به تنهایی توانایی پیش بینی دقیق این تغییرات را ندارند. براي مقابله با این چالش، میتوان از ابزارهاي کمکی نظیر مدلهاي پیش بینی تناوبی و همچنین شبکههاي عصبی استفاده کرد.
روسامی(1999)، یک مدل پیش بینی بارندگی ماهانه توسعه داده است. وي از دادههاي 19 استان در شمال تایلند با دوره آماري 11 سال براي پیش بینی استفاده کرده است. ویساکل (2005) یک مدل ریاضی براي پیش بینی بارندگی سالانه در تایلند با استفاده از مدلهاي ARMA و ARIMA توسعه داده است. سموانشی و همکارانش (2006) براي مدل کردن و پیش بینی الگوهاي رفتاري بارندگی با استفاده از مشاهدات گذشته، ابزارهاي سري زمانی ARIMA و شبکه عصبی مصنوعی را به کار بردهاند. ومسیدهر و همکارانش (2010) براي پیش بینی بارندگی در هند از شبکه عصبی با استفاده از شیوه آموزش پس انتشار خطا استفاده کردهاند. آنها بر این باورند که به دلیل کارآیی بسیار زیاد این مدل، امکان استفاده از آن براي پیش بینی میزان رطوبت، فشار و سردي هوا وجود دارد. عیوضی و مساعدي (بهمن 1389) براي پیش بینی بارندگی، از دو روش سري زمانی ARMA و توابع تناوبی استفاده کردهاند. آنها براي پیش بینی، از دادههاي بارندگی ایستگاه ناهارخوران استان گلستان با دوره آماري 26 سال استفاده کردهاند. در نهایت، با توجه به نتایج به دست آمده، نشان دادند که توابع تناوبی نسبت به سري زمانی ARMA با دقت بالاتري مقادیر بارندگی را پیش بینی میکند.
هیچ یک از مطالعات ذکرشده قادر به توصیف دقیق ماهیت غیر خطی میزان بارش نیستند. در این پژوهش از یک رویکرد ترکیبی میانگین متحرك یکپارچه خودگردان فصلی و شبکههاي نرو ـ فازي خطی ـ محلی استفاده شده است. در این روش، ابتدا پیش بینی اولیه با استفاده از روش SARIMA انجام شده و سپس روندهاي موجود در باقیماندهها با استفاده از شبکههاي نرو ـ فازي خطی ـ محلی مورد بررسی قرار گرفتهاند. در ادامه، میانگین متحرك یک پارچه خودگردان فصلی در بخش دوم معرفی شده است. بخش سوم، به توصیف شبکههاي نرو ـ فازي خطی ـ محلی با الگوریتم آموزش LoLiMot میپردازد. در بخش چهارم، ویژگیهاي اقلیمی استان سیستان بیان شده است. مسئله مورد بررسی در بخش پنجم تشریح شده و در بخش شش، مدل پیشبینی مناسب ارایه شده است. در نهایت نتایج حاصله در بخش هفتم مورد ارزیابی قرار گرفته اند.

ARMA در داده هاي جدید به وجود می آید.
این مدل اغلب به صورت ARIMA (q, d, p) نشان داده می شود که در آن d ،p و q اعداد حقیقی غیرمنفی هستند که به ترتیب بیانگر درجه خودگردانی ،یکپارچگی و میانگین متحرك هستند. مدل هاي ARIMA، بخش مهمی از رویکرد جعبه جنکینز3 به مدل هاي سري زمانی را می سازند. در صورتی که یکی از اجزا برابر با صفر باشد، اغلب به صورت I ،AR یا MA نوشته می شود. براي مثال I(1) همان مدل ARIMA(0,1,0) است و یا MA(1) همان ARIMA(0,0,1) است [3].

شبکههاي نرو ـ فازي خطی ـ محلی
یک مدل نرو ـ فازي خطی ـ محلی از تعـدادي مـدلبه صورت رگرسیون خطی از وروديها تشکیل شـده اسـتکه هر یک در محـدوده اي از فضـاي ورودي معتبـرترنـد وحوزه اعتبار هر مدل توسط یک تابع عضویت اغلب گوسـیمعین می شود. هر مدل خطـی ــ محلـی را یـکLLM 4 می گویند که مرکز و واریانس توابع گوسی متنـاظر بـا هـرمدل محدوده اعتبار آن مدل را مشخص می کند. خروجـینهایی مدل از ترکیب خروجـی مـدلهـاي کوچـک خطـیمحلی به دست می آید، به گونهاي که هر چه عضویت یـکورودي خاص در ناحیه اعتبـار یـکLLM بیشـتر باشـد،خروجی آن LLM در خروجی نهایی مدل، نقش بیشـتريخواهد داشت. شـکل (1) سـاختار یـک شـبکه نـرو-فـازيخطی-محلی با M مدل خطـی محلـی را نشـان مـی دهـد
.[8]
اگر خروجی مدل خطـی محلـیi ام را بـا نشـاندهیم، داریم:
=++ …+ ()
که در آن wij ها پارامترهاي نرون i ام هستند.
اگر تابع اعتبار مدل خطی ـ محلـی i ام را بـا (φ (x نشان دهیم، داریم:
( ) = exp (−

(−) Σ(−))
(2)
و خروجی کلی مدل نرو- فازي خطی – محلی از رابطه زیر به دست می آید:
= ∑.( ) (3)
براي اینکه یک مدل نرو ـ فازي خطی ـ محلی بتواندیک سیستم یا یک فرآیند موجود را به خـوبی مـدل کنـد،باید ضرایب وزن هر یک از LLM ها تنظیم شده و ناحیـهاعتبار آنها به درستی مشخص شوند.

شکل 1: ساختار یک شبکه نرو ـ فازي خطی ـ محلی

به فرآیند تنظیم پارامترهاي مدل نرو ـ فازي خطی ـ محلی براي تطبیق هـر چـه بیشـتر مـدل حاصـل بـا یـکسیستم موجود یا تخمین هر چه بهتـر یـک تـابع موجـود،فرآینــد آمــوزش شــبکهLLNF مــی گوینــد. یکــی از معروف ترین الگوریتم هاي آموزش شبکه نرو ـ فازي خطـی ـ محلی الگوریتم LoLiMot5 است [9].
الگوریتم LoLiMot فضاي ورودي را به ابر مستطیلهایی تقسیم میکند که اضلاع آنها به موازات محورها هستند. در هر تکرار، الگوریتمِ یکی از ابر مستطیلها تقسیم شده و یک مدل خطی ـ محلی
(LLM) به مدل اضافه میشود [10].
الگوریتم LoLiMot یک حلقه خارجی دارد کـه درآن ساختار افراز فضاي ورودي (ناحیه اعتبار قوانین فـازي ) معــین مــی شــود و یــک حلقــه داخلــی دارد کــه در آنپارامترهاي هر LLM (تالی قوانین فازي) به صورت محلی با روش کمترین مربعات وزن دار6 تخمین زده می شوند.
مراحل الگوریتم LoLiMoT را می توان بـ ه صـورتزیر خلاصه کرد [11]:
شروع از یک مدل اولیه: مشخص کردن نواحی اعتبـارقانونها و تخمـین پارامترهـاي هـرLLM در مـدلاولیه (در شروع کار تعداد LLM ها یک است.).
پیدا کردن بدترین LLM: محاسبه یک تـابع هزینـهمحلی براي هر یک از LLM ها و تعیـینLLM بـا بیشترین تابع هزینه محلی به عنوان بدترین LLM. 3- چک کردن همه تقسـیمات ممکـن: LLM مشـخصشده در قسمت قبل را در جهتهاي مـوازي محورهـامی شکنیم. شکستن به موازات همه محورهاي فضـايورودي امتحان می شود و براي هر افراز جدید پـس ازتعیین نواحی اعتبار و پارامترهاي مدل خطی – محلی مربوطه، توابع محلی محاسبه میشوند.
پیدا کردن بهترین تقسیم: از بـینp کاندیـد قسـمتقبل بهترین تقسیم بندي را انتخاب کرده و طبـق آن ، یک LLM جدید به مدل اضافه میکنیم.
چ ک ک ردن همگرای ی الگ وریتم: اگ ر ش رط توق ف برآورده شود، الگوریتم متوقف میشـو د. در غیـر ایـن صورت گام 2 بار دیگر ادامه مییابد.

ویژگیهاي اقلیمی استان سیستان و بلوچستان
استان سیستان و بلوچستان بـه عنـوان بـزرگ تـریناستان کشور، به دلیل تسـلط فصـلی جبهـههـاي پرفشـارِ جنـب ح اره بـر بخ ش عظیمـی از آن و همچن ین وج ود بیابانهاي بزرگ و سیستم چین خـوردگی آلـپ- هیمالیـا،تنوع اقلیمی بسیار زیادي دارد. ایـن م وضـوع بـا توجـه بـهمجاورت استان با دریاهاي وسیع جنوبی، وجود چالـههـايانتهایی هیرمند در شمال استان، گسـتره وسـیع بیابـانی ونفوذ سیستمهاي موسمی در دورهاي از سال، باعـث ایجـادتنوع بوم شناختی و اشکال مختلف معیشتی میشود. شـکل(2) بیانگر ناحیهبندي اقلیمـی اسـتان بـا اسـتفاده از روشتحلیل خوشهاي است.
شهر زابل از نظـر روش پهنـه بنـدي اق لیمـی ضـریبخشکی دومارتن در طبقه اقلیم خشک میگنجـد و از نظـرضـریب رط وبتی ایوان ف در دس ته اقل یم ص حرایی ج اي مــی گیــرد و همچنــین از نظــر ضــریب هیــدروترمیک سلیانینوف، در طبقه اقلیم بیابانی قـرار دارد . ایـن شـهر ازنظر روش آمبرژه، روش کوپن و روش چند متغیره آمـاري،به ترتیب در طبقه معتدل، گرم و خشک و نیمه خشـک ومعتدل گرم قرار داده میشود.
میانگین سالانه دما در شهر زابل برابر با 3/22 درجه سلسیوس و میانگین سالانه بارش برابر با 59 میلیمتر است. میانگین سالانه رطوبت، میانگین تعداد روزهاي یخبندان و تعداد روزهاي بالاي 35 درجه سلسیوس در این شهر به ترتیب برابر با 39، 17 و 155 روز است.
-18279444716

بیان مسئله
در این پژوهش، به پیشبینی میزان بارش در شهر زابل ،استان سیستان و بلوچستان پرداخته شده است.

شکل 2: ناحیهبندي اقلیمی استان با استفاده از روش تحلیل خوشهاي [12]

دادههــاي میــزان بــارش ماهیانــه کــه در ایســتگاههواشناســی ســینپتیک زابــل از ســال 1939 تــا 2011 جمع آوري شده است، در جدول (1) نشـان داده شـدهانـد . هدف، ارایه مدلی براي برآورد میزان بارش ماهیانه در سال 2012 است.

مدل پیشبینی پیشنهادي
روش پیشنهادي در ابتدا، به پیشبینی بـا اسـتفاده ازمدل SARIMA میپردازد و در ادامه رونـدهاي موجـوددر باقیماندهها با استفاده از شبکههاي نرو ـ فازي خطـی ـمحلی در نظر گرفته میشوند. بــراي پـیشبینـی اولیـه ازنـــرم افزار7.1 E-Views استفاده شده است. شکل (1) نمایانگر شکل کلی این سري زمانی است.
اولین گام در پیشبینی این سري، بررسی ایستایی سري است. با توجه به آزمون ریشه واحد، با استفاده از آزمون دیکی فولر ایستایی این سري در سطح اطمینان 95% رد میشود. براي ایستا کردن این سري، با توجه به ماهیت دادهها با یک بار تفاضل گیري و یک بار فصل زدایی 12 ماهه بار دیگر آزمون ریشه واحد انجام شده است ،شکل (4) نشاندهنده دادههاي فصلی زداییشده یکپارچه است.

0
10
20
30
40
50
60
70
1
31
61
91
121
151
181
211
241
271
301
331
361
391
421
451
481
511
541
571
601
631
661
691
721
751
781
811
841
871
میزان

بارش
ماه

0



قیمت: تومان


دیدگاهتان را بنویسید