شناسایی نواحی همگن هیدرولوژیک با استفاده از روش میان مرکز فازی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری /مهندسی آب دانشگاه علم و صنعت ایران- تهران- ایران.

2 استادیار /دانشکده عمران دانشگاه علم و صنعت ایران- تهران- ایران

3 استاد/دانشگاه آزاد واحد علوم و تحقیقات- تهران- ایران

چکیده

امروزه استفاده از روش‌های پهنه‌بندی، گسسته سازی و تفکیک نواحی همگن در علوم زمینی جهت ارزیابی پاسخ عرصه‌های طبیعی به فرآیندهای هیدرولوژیک مورد مطالعه از موضوعات جاری می‌باشد. زیرا هر چه محدوده مورد مطالعه همگن‌تر باشد موجب بالارفتن دقت و سهولت در عملیات مدیریت منابع آب و یا کنترل خسارات طبیعی خواهد شد. برای شناسائی نواحی همگن، می‌توان از روش‌های مختلف گسسته‌سازی استفاده نمود. به‌علت پیوستگی در ویژگی‌های زمینی، استفاده از روش‌های دسته‌بندی/ خوشه‌بندی فازی نظیر روش خوشه‌بندی میان مرکز فازی (FCM)1 می‌تواند یک انتخاب مطلوب محسوب گردد. در این مطالعه و بعنوان نمونه، تفکیک نواحی همگن از نظر تولید روانآب با بکارگیری این روش فازی، با انتخاب حوضه معرف والنات گولچ (WGEW)2 واقع در جنوب شرقی ایالت آریزونای آمریکا به جهت کفایت و کیفیت داده‌های هیدرولوژیک، مدنظر می‌باشد. برای اینکار ابتدا به نحوه انتخاب و آماده‌سازی داده‌ها اشاره شده است، سپس تحلیل مولفه‌های اصلی انجام گردید و نهایتا به هر سه مرحله اساسی و بعبارتی تصمیم‌گیری در استفاده از روش (FCM) یعنی: تعیین مقدار فازیت مناسب، کنترل شاخص ابهام و تعیین تعداد بهینه خوشه‌‌ها با استفاده از شاخص اعتباریابی خوشه‌بندی پرداخته شده است. نشان داده شده است استفاده از روش‌های مختلف و موجود اعتباریابی خوشه‌‌بندی، لزوما منجر به تعیین تعداد بهینه خوشه‌ها بصورت واضح و قطعی نخواهد شد و برای این منظور می‌توان از یک روش منطقی پیشنهادی استفاده نمود.

کلیدواژه‌ها


عنوان مقاله [English]

Identity of Hydrologic Homogenous Regions using Fuzzy C-Means Method

نویسندگان [English]

  • M Rayati 1
  • M Gharavi 2
  • B Saghafian 3
1 Ph.D. candidate in Water Engineering, Iran University of Science and Technology, Tehran, Iran
2 Assistant Professor, Civil Engineering School, Iran University of Science and Technology, Tehran, Iran
3 Professor –Science and Research Branch, Islamic Azad University, Tehran, Iran
چکیده [English]

Earth science methods for mapping, discretization, and separation of homogenous regions are recently used extensively to estimate the natural landscape response to hydrologic processes. For more homogenous study areas, the accuracy of the precision increases and the operation of water resources management system and/or natural wizard controls are less complicated. There are several methods to natural landscape discretization to identify homogenous regions. Because of continuity in landscape specifications, the use of Fuzzy classification/ clustering methods such as Fuzzy C-Mean (FCM) can be a desirable choice. In this study the FCM was used for discretization of homogenous regions in regards to runoff generation for Walnut Gulch Experimental Watershed (WGEW) located in southeast Arizona. This watershed is selected to benefit from the quality and adequacy of the hydrologic data. The process of choosing and preparation of data was addressed earlier in texts. The Principal Components Analysis (PCA) was performed and then the three essential steps for making decisions based on the FCM method was taken; determination of appropriate fuzzifier; controlling of Confusion Index (CI), and optimization of number of clusters using validation indices. It was shown that use of these validation indices would surely not lead to determination of optimal number of clusters and therefore a rational method was proposed.

کلیدواژه‌ها [English]

  • Hydrologic homogenous regions
  • principal components analysis
  • Fuzzy C-Mean
  • Clustering validation index

غضنفری، م. و رضائی، م.  (1385)" مقدمه‌ای بر نظریه مجموعه‌های فازی" انتشارات دانشگاه علم و صنعت ایران، تهران

Bezdek, J. C. (1981), “Pattern recognition with fuzzy objective function algorithms”, Plenum Press, New York, 220p.

Bruin, S. D. and Stein, A. (1998),“Soil-landscape modeling using fuzzy c-means clustering of attribute data derived  from  a Digital Elevation Model (DEM) ”, Geoderma, Vol. 183, No. 3-4, pp.17–33.

Burrough, P.A., Van Gaans, P.F.M and Hoostmans, R. (1997), “Continuous classification in soil survey: spatial correlation, confusion and boundaries”, Geoderma, Vol. 77, No. 1, pp. 115– 135.

Chiu, W.Y. (2005), “Wetland mapping through semivariogram guided Fuzzy segmentation of multispectral imagery”, M.Sc. Dissertation, 107p.

Dehotin, J., and Braud, I. (2008), “Which spatial discretization for which distributed hydrological models?  Proposition of a methodology and illustration for medium to large-scale catchments”, Hydrology Earth System Science, Vol. 112, No. 3, pp. 769-796.

Flügel, W.A. (1995), “Delineating Hydrological Response Units by Geographical Information System analyses for regional hydrological modeling using PRMS/MMS in the drainage basin of the river BrÖl in Germany”, Hydrology  Processes, Vol. 19, No. 3–4, pp. 423–436.

Fukuyama, Y., and Sugeno, M. (1989), “A new method of choosing the number of clusters for the Fuzzy C-Means method”, Proceedings of Fifth Fuzzy Systems Symposium, pp. 247–250, In Japanese.

Heilman, P., Nichols M. H., Goodrich, D. C., Miller, S. N., and Guertin, D. P. (2008), “Geographic information systems database, Walnut Gulch Experimental Watershed, Arizona, United States”, Water Resources Research, Vol. 44, W05S11, pp. 1-6.

Kull, D. W., and Feldman A. D. (1998), “Evolution of Clark’s unit hydrograph method to spatially distributed runoff”, Journal of Hydrology Engineering, Vol. 13, No. 131, pp. 9–19.

Kwon, S. H. (1998), “Cluster validity index for fuzzy clustering Analysis”, Electronics Letters, Vol. 34, No. 22, pp. 2176–2177.

Lagacherie, P., Robbez-Masson, J. M., Nguyen-The, N.and Barthes, J. P. (2001), “Mapping of reference area representativity using a mathematical soilscape distance”, Geoderma, Vol. 101, No. 3–4, pp. 105–118.

Liu, Z., and George R. (2005), “Mining weather data using fuzzy cluster”,Fuzzy modeling with spatial information for geographic problems, New York, pp.105-115.

Pal N. R., and Bezdek, J. C. (1995), “On cluster validity for the fuzzy c-means model”, IEEE Transactions on Fuzzy systems, Vol. 13, No. 3, pp. 370–379.

Rao, R.  A., Srinivas, V. V. (2007), “Regionalization of Watersheds”, Springer, USA, 248p.

Reggiani, P., Sivapalan M., and Hassanizadeh, S. M. (1998) “A unifying framework for watershed thermodynamics: balance equations for mass, momentum, energy and entropy, and the second law of thermodynamics”, Advances in Water Resources, Vol. 22, No. 4, pp. 367–598.

Reggiani, P., Sivapalan, M., Hassanizadeh, S. M., and Gray, W. G. (1999) “A unifying framework for watershed thermodynamics: constitutive relationships”, Advances in Water Resources, Vol. 23, No. 1, pp. 15–39.

Reggiani, P., Sivapalan, M., and Hassanizadeh, S. M. (2000), “Conservation equation governing hillslope response”, exploring the physical basis of water balance”, Water Resources Research, Vol. 36, No. 7, pp. 1845–1863.

Robbez-Masson, J. M. (1994), “Reconnaissance et de´ limitation de motifs d’ organization spatial. Application `a la cartographies des p´edopaysages”,PhD. Dissertation, Ecole Nationale Sup´erieure Agronomique de Montpellier, 191p.

Smith, R. E, Goodrich, D. C., Woolhiser, D. A., and Unkrich C. L. ( 1995), “KINEROS-A kinematic runoff and erosion model”, Water Resources Publications, Vol. 20,  pp. 697–732.

Weiss, A., (2001), “Topographic Position and Landforms Analysis”, Poster presentation, ESRI User Conference, San Diego, CA.

Wolock, D. M., Winter, T. C., and Mcmahon, G. (2004), “Delineation and Evaluation of Hydrologic-Landscape Regions in the United States Using Geographic Information System Tools and Multivariate Statistical Analyses”, Environmental Management Vol. 34, No. 1, pp. S71–S88.

Wood, E. F., Sivapalan, M., Beven K., and Band L. (1988), “Effects of spatial variability and scale with implication to hydrologic modeling”, Journal of  Hydrology, Vol. 102, No. 1-4, pp. 29–47.

Xie, X., and Beni, G. A. (1991), “Validity measure for fuzzy clustering”, IEEE Transactions on Pattern Analysis and machine Intelligence, Vol. 13, No. 8, pp. 841–847.