منطقه بندی حوضه ی آبریز ارس با استفاده از نگاشت‌های خود سازمانده

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانش آموخته ی کارشناسی ارشد / سازه های آبی، دانشگاه صنعتی شاهرود

2 استادیار / پردیس فنی و مهندسی شهید عباسپور، دانشگاه شهید بهشتی، تهران

چکیده

نگاشت‌ های خود‌سازمانده کوهونن گونه‌ای از شبکه‌ های عصبی مصنوعی با توانایی ویژه در تشخیص الگو و خوشه بندی داده‌ها با استفاده از ویژگی‌های آن‌ها هستند. در این مطالعه، توانایی نگاشت‌ های خود‌سازمانده کوهونن در منطقه‌ بندی حوضه‌ی آبریز ارس به منظور اجرای تحلیل فراوانی منطقه‌ ای سیلاب با استفاده از الگوریتم گشتاور‌های خطی مورد بررسی قرار گرفته است. نتایج به دست آمده نشان داد که نگاشت‌های خود‌سازمانده می‌توانند به عنوان ابزاری مفید در زمینه‌ی خوشه‌بندی داده‌ها و منطقه‌ بندی حوضه‌های آبریز به کار گرفته شوند. افزون بر این، براساس شاخص‌ صحت خوشه‌بندی، حالت 4 منطقه‌ای از نظر کیفیت خوشه‌بندی به عنوان حالت بهینه برای منطقه‌بندی حوضه‌ی آبریز ارس شناخته شد. همچنین بر اساس شاخص‌ های نا‌همگنی این حالت در کنار حالت 2 منطقه‌ ای، برای اجرای تحلیل فراوانی منطقه‌ ای سیلاب در حوضه ‌ی آبریز ارس مناسب ارزیابی شدند. به علاوه، هنگامی که تعداد مناطق برابر 2 باشد، تشکیل مناطق بزرگ‌تر امکان‌پذیر خواهد بود.

کلیدواژه‌ها


عنوان مقاله [English]

Regionalization of Aras Watershed by SOFM

نویسندگان [English]

  • A. Ahani 1
  • S. S. Mousavi Nadoushani 2
1 M.Sc. of Agricultural Engineering - Water Structures, School of Agricultural Engineering, Shahrood University of Technology, Shahrood, Iran
2 Assistant Professor, Faculty of Water and Environmental Engineering, Shahid Abbaspour Campus, Shahid Beheshti University, Tehran, Iran
چکیده [English]

Self-Organizing Feature Maps (SOFM) are a category of artificial neural networks with a special ability in pattern recognition and data clustering using attributes of data points. In this study, ability of Kohonen self-organizing feature maps has been assessed in regionalization of Aras watershed in order to perform regional flood frequency analysis. Results showed SOFM can be used as an efficient tool for data clustering and regionalization of watersheds. Furthermore the results showed that the cluster validity measure is equal to optimum value for regionalization of Aras watershed, when the number of regions is equal to 4. Also heterogeneity measures are equal to optimum values, when number of regions is equal to 2 or 4. However, when number of regions is equal to 2, largest regions can be formed.

کلیدواژه‌ها [English]

  • Kohonen SOFM
  • Cluster analysis
  • L-moments
  • flood frequency analysis
ASCE Task Committee on Application of Artificial Neural Networks in Hydrology (2000) Artificial neural networks in hydrology, I: Preliminary concepts. Journal of Hydrologic Engineering, ASCE 5(2): 115–123.

ASCE Task Committee on Application of Artificial Neural Networks in Hydrology (2000) Artificial neural networks in hydrology, II: Hydrologic applications. Journal of Hydrologic Engineering, ASCE 5(2): 124-137.

Chavoshi S, Azmin Sulaiman WN, SaghafianB, Sulaiman MDNB, Latifah AM (2012) Soft and hard clustering methods for delineation of hydrological homogeneous regions in the southern strip of the Caspian Sea Watershed. Journal of Flood Risk Management 5(4):282-294.

Farsadnid F, Rostami Kamrood M, Moghaddam Nia A, Modarres R, Bray MT, Han D, Sadatinejad J (2014) Identification of homogeneous regions for regionalization of watersheds by two-level self-organizing feature maps. Journal of Hydrology 509:387-397.

Fausett LV (1994) Fundamentals of neural networks: Architectures, algorithms, and applications. Englewood Cliffs, Prentice Hall, NJ, 461p.

Govindaraju RS, Rao AR (2000) Artificial neural networks in hydrology. Kluwer Academic Publishers, Holland, 329p.

Hall MJ, Minns AW (1998)  Regional flood frequency analysis using artificial neural network. In: Proc. of the Third International Conference on Hydroinformatics, Vol. 2. Copenhagen, Denmark, 759–763.

Hall MJ, Minns AW (1999) The classification of  hydrologically homogeneous regions. Hydrological Sciences Journal 44(5): 693–704.

Hall MJ, Minns AW, Ashrafuzzaman AKM (2002) The application of data mining techniques for the regionalization of hydrological variables. Hydrology and Earth System Sciences 6(4): 685–694.

Hosking JRM, Wallis JR (1997) Regional frequency analysis: An approach based on L-moments. Cambridge University Press, New York, 224p.

Jingyi Z, Hall MJ (2004) Regional flood frequency analysis for the Gan-Ming river basin in China. Journal of Hydrology 296: 98–117.

Kohonen T (1982) Self-organized formation of topologically correct feature maps. Biological Cybernetics 43: 59–69.

Kohonen T (1997) Self-organizing maps, second edition. Springer Verlag, Berlin, 511p.

Rao AR,Srinivas VV (2008) Regionalization of watersheds - An approach based on cluster analysis, Series: Water Science and Technology Library, Vol. 58, Springer Publishers, 248p.

Razavi T, Coulibaly P (2013) Classification of Ontario watersheds based on physical attributes and streamflow series. Journal of Hydrology 493: 81-94.

Reed DW, Jakob D, Robson AJ (1999) Selecting a pooling group. In: Statistical procedures for flood frequency estimation, Flood estimation handbook, Vol. 3, Institute of Hydrology, Wallingford, UK (chapter 6, pp. 28–39).

Srinivas VV, Tripathi S, Rao AR, Govindaraju RS (2008) Regional flood frequency analysis by combining self organizing feature maps and fuzzy clustering. Journal of Hydrology 348(1–2):148–166.