1-7- خوشهبندی
خوشهبندی، یکی از شاخه‌های یادگیری بدون نظارت است و فرآیند خودکاری است که طی آن، نمونهها به دسته‌هایی که اعضای آن مشابه یکدیگر هستند، تقسیم می‌شوند که به این دسته‌ها، خوشه گفته می‌شود (قاسمی و خانگلدی، 1388).
بنابراین خوشه، مجموعهای از اشیاءاست که در آن اعضای مجموعه، با یکدیگر مشابه بوده و با اشیاء موجود در خوشه‌های دیگرغیر‌مشابه هستند. برای مشابه بودن می‌توان معیارهای مختلفی را در نظر‌گرفت. مثلاً می‌توان معیار فاصله را برای خوشهبندی مورد استفاده قرار داد و اشیائی را که با یکدیگر نزدیک‌تر هستند، به‌عنوان یک خوشه در نظر گرفت که به این نوع خوشهبندی، خوشهبندی مبتنی بر فاصله نیز گفته می‌شود.
به عنوان مثالی از خوشهبندی، درشکل 1-2 نمونه‌های ورودی درسمت چپ به چهار خوشه مشابه در شکل سمت راست تقسیم می‌شوند. در این مثال، هر یک از نمونههای ورودی به یکی از خوشه‌ها تعلق دارد و نمونه‌ای وجود ندارد که متعلق به بیش از یک خوشه باشد(قاسمی، 1388).
شکل (1-2): خوشهبندی نمونه‌های ورودی

خوشهبندی، با طبقهبندی متفاوت است. در طبقهبندی، نمونههای ورودی برچسبگذاری شده‌اند؛ ولی در خوشهبندی، نمونههای ورودی دارای برچسب اولیه نیستند و در واقع با استفاده از روش‌های خوشهبندی است که داده‌های مشابه، مشخص و به طور ضمنی برچسبگذاری می‌شوند. در بسیاری از موارد قبل از عملیات طبقهبندی داده‌ها، یک خوشهبندی روی نمونهها انجام میشود و سپس مراکز خوشههای خالص را محاسبه می‌کنند و یک برچسب به خوشهها نسبت می‌دهند و سپس عملیات طبقهبندی را برای نمونههای ورودی جدید انجام می‌دهند.

در این سایت فقط تکه هایی از این مطلب با شماره بندی انتهای صفحه درج می شود که ممکن است هنگام انتقال از فایل ورد به داخل سایت کلمات به هم بریزد یا شکل ها درج نشود

شما می توانید تکه های دیگری از این مطلب را با جستجو در همین سایت بخوانید

ولی برای دانلود فایل اصلی با فرمت ورد حاوی تمامی قسمت ها با منابع کامل

اینجا کلیک کنید

یکی از تکنیکهای مورد استفاده برای تعیین نواحی همگن، خوشهبندی است. خوشهبندی، یکی از زیرمجموعههای علم دادهکاوی است که هدف آن، اکتشاف و پردازش پایگاههای دادهای بمنظور استخراج دانش از آنها است.
خوشهبندی، یک روش یادگیری غیرنظارتی2 برای دستهبندی دادهها براساس مشابهتهای آنها است. این تکنیک، به عنوان ابزاری توانمند جهت استخراج ساختار اصلی نهفته در مجموعه دادهها معرفی شده است (ولنته و پدریکز3، 2007). روشهای غیرنظارتی مانند خوشهبندی، از شناساندههای4 از پیش تعریف شده جهت انجام عملیات دستهبندی استفاده نمی‌کنند (منعم و هاشمی، 1390).
تحلیل خوشهبندی5، از جمله روشهای مفید وجدید، جهت تعیین نواحی همگن به‌منظور تحلیل منطقهای سیلاب در یک حوزه آبریز است. در این روش، قرار دادن ایستگاههای آبسنجی حوضه در دستههای متمایز، براساس میزان مشابهت آنها (معیار فاصله) صورت میگیرد (فتحیان و احمدزاده، 1391). تفکیک منطقه مطالعاتی به مناطق همگن، باعث دقت بیشتر و خطای کمتر در مدلهای رگرسیون در مناطق فاقد آماراست(بیابانکی واسلامیان، 1383). همچنین لازم به ذکر است که خوشه به تعدادی اشیاء اطلاق می‌شود که نسبت به مابقی اشیاء در گروههای دیگر، مشابهت بیشتری با یکدیگر دارند. دادهها می‌توانند خوشههایی با اشکال هندسی، اندازهها و چگالیهای متفاوت ایجاد نمایند (هان وکامبر6، 2006).
منظور از واژه مشابهت در این تعریف، میزان تشابه از لحاظ ریاضی است. در واقع تشابه بین دو شی است. در بیشتر موارد، مقدار فاصله اقلیدسی بین دو شیء، به‌عنوان معیار مشابهت استفاده میشود (واندر و همکاران7، 2004).
1-7-1- خوشهبندی فازی
برای درک بهتر خوشهبندی فازی و الگوریتم‌های مختلف آن لازم است تا ابتدا با مفهوم مجموعه‌های فازی و تفاوت آن‌ها با مجموعه‌های کلاسیک آشنا شد.
در مجموعههای کلاسیک، یک عضو از مجموعه‌های مرجع یا عضوی از مجموعهA است یا عضو مجموعهA نیست. مثلاً مجموعه مرجع اعداد حقیقی را در نظر بگیرید، عدد 5/2 عضو مجموعه اعداد صحیح نمی‌باشد، حال آنکه عدد 2 عضو این مجموعه است. به زبان دیگر تعلق 5/2 به مجموعه اعداد صحیح، صفر است و تعلق عدد 2 به این مجموعه 1 است. در واقع می‌توان برای هر مجموعه یک تابع تعلق تعریف کرد که مقدار این تابع تعلق برای اعضای مجموعه 1 است و برای بقیه صفر. در مجموعه‌های کلاسیک، مقدار تابع تعلق یا صفر است یا 1. حال مجموعه انسان‌های جوان و پیر را در نظر بگیرید. سؤالی که در اینجا مطرح می‌شود، این است که آیا فردی با سن 25 جزء مجموعه جوان است یا خیر؟ سن 30 چطور؟ همانطور که حدس زدید، نمی‌توان به طور قطع و یقین مرزی برای انسان‌های جوان و پیر در نظر‌گرفت. دلیل آن هم این‌است که اگر فرضاً 35 جوان محسوب شود، 36 نیز می‌تواند جوان باشد و همین‌طور 37 و 38 و غیره. در واقع در این جا مفهوم عدم قطعیت وجود دارد. انسانها نیزاز عدم قطعیت در زندگی روزمره بارها استفاده کرده‌اند. تفاوت اصلی مجموعههای فازی و کلاسیک در این است که تابع تعلق مجموعههای فازی دو مقداری نیست (0 یا 1)، بلکه می‌تواند هر مقداری بین 0 تا 1 را اختیار‌کند (شکل 1-3).
درخوشهبندی کلاسیک، هر نمونه ورودی متعلق به یک و فقط یک خوشه است و نمی‌تواند عضو دو خوشه و یا بیشتر باشد. مثلاً در شکل 1-3، هر یک از وسایل نقلیه عضو یک خوشه هستند و نمونه‌ای، عضو دو خوشه نیست و به زبان دیگر، خوشه‌ها همپوشانی ندارند. حال حالتی را در نظر بگیرید که میزان تشابه یک نمونه با دو خوشه و یا بیشتر یکسان باشد. در چنین حالتی در خوشهبندی کلاسیک به‌دلیل آنکه هر نمونه باید به یک و فقط یک خوشه متعلق باشد، باید تصمیم‌گیری شود که این نمونه متعلق به کدام خوشه است. تفاوت اصلی خوشهبندی کلاسیک و خوشهبندی فازی در همین جاست که در خوشهبندی فازی یک نمونه، می‌تواند متعلق به بیش از یک خوشه باشد (قاسمی، 1388).

شکل (1-3): خوشهبندی فازی داده
1-7-2- الگوریتم K-means در خوشهبندی
این الگوریتم با حرکت کردن بر روی مجموعه‌ داده قصد دارد تا این داده‌ها را به k خوشه دستهبندی کند. تفاوت خوشهبندی با کلاسبندی در آن است که در خوشهبندی، ورودی نمونه‌ای وجود ندارد تا ماشین با مقایسه نمونه‌ خوانده شده اطلاعات را کلاسبندی کند. این الگوریتم با در نظرگرفتن ماتریس‌های دادهای چند بعدی{ D = {x i | i = 1, . . . , N }, که x i ∈ d معرف i امین داده است، پیادهسازی می‌شود. الگوریتم با انتخاب k عدد داده‌ی انتخابی برای استفاده به‌عنوان خوشه‌ی اصلی به روش‌های مختلف (شانسی یا بر اساس اطلاعات اولیه‌ی در دسترس) شروع می‌شود و میانه‌ هر شاخه را محاسبه‌ می‌کند. در مرحله‌ی اول، با حرکت بر روی مجموعه‌ داده‌ها و در نظر‌گرفتن میانه‌ خوشهها، داده‌ جدید به نزدیک‌ترین خوشه اضافه می‌شود (مرتضوی، 1393). در مرحلهی دوم، با اضافه شدن داده‌ جدید برای هر خوشه، میانه‌ جدید محاسبه می‌شود.
الگوریتم تا ثابت ماندن c j به کار خود ادامه خواهد داد. در شکل 1-4، عملکرد الگوریتم نشان‌داده شده است که به این نکته می‌توان اشاره‌کرد که این روند N × k بار تکرار می‌شود و عدد N بستگی به مجموعه‌ داده شده دارد.
الگوریتم K-meansبرای گروهبندی مشاهدات هنگامی که تعداد گروه‌ها از قبل معین است، به‌کار می‌رود (زارع چاهوکی، 1389). این الگوریتم به‌دلیل سهولت اجرا، کاربرد گستردهای در مسائل خوشهبندی یافته است. میزان پیچیدگی این روش، تابع تعداد اشیاء مجموعه X است. مشکل اصلی این روش، حساس بودن آن به چگونگی انتخاب اولیه مراکز خوشهها است. در صورتی‌که مراکز خوشههای ابتدایی، نامناسب انتخاب شوند، تابع هدف به‌جای نقطه حداقل سراسری به سمت یک حداقل موضعی همگرا میشود. بنابراین برای رفع مشکل مذکور در این پژوهش مطابق مطالعات محققین پیشین که در این زمینه کار کرده‌اند، مدل خوشهبندی برای یک تعداد خوشه خاص به دفعات متفاوت اجرا گردید و در هر بار اجرای مدل، مراکز خوشهها به صورت تصادفی در فضای مختصات انتخاب گردیدند تا اطمینان حاصل شود تابع هدف به حداقل سراسری رسیده است (منعم و هاشمی، 1390).
بنابراین خوشهبندی K-means، یکی از الگوریتمهای خوشهبندی است که طی آن، بردارهای مشخصه برای کمینه کردن تابع هدف رابطه (1-2)، از خوشهای به خوشه دیگر منتقل میشوند و این کار تا زمانی که تغییری در مرکز خوشه ایجاد نشود، ادامه مییابد (رائو و سرینیواس، 2005)8.
F=∑_(K=1)^K▒∑_(j=1)^n▒∑_(i=1)^(N_k)▒d^2(X_g^k-X_j^k ) (1-2)
که در این رابطه، k تعداد خوشه، Nk تعداد بردارهای مشخصه در خوشه k، d فاصله بین دو مشخصه و x_g^k بردار مشخصه معیار شده برای خوشه k است که به منظور بیاثر کردن اختلاف در پراکندگی آن‌ها، به وسیله یک تابع انتقال مناسب به مقیاس کوچکتر تبدیل میشود. مقدار x_j^k با استفاده از رابطههای (1-3) و (1-4) محاسبه میشود (رائو و سرینیواس، 2005) :
x_j^k=(∑_(i=1)^(N_k)▒x_ij^k )/N_k x_ij^k(1-3)
x_ij=w_j/y_ig [f(yij)] j=1,…,n(1-4)
که در این رابطهها، f(.) تابع انتقال، y_ig بردار مشخصه، x_ij مقدار معیار شده و w_j وزن تعیین شده برای هر مشخصه است.
شکل (1-4): عملکرد الگوریتم
در رابطه با محاسبه‌ فاصله‌ داده از میانه‌ خوشه، از روش محاسبه‌ فاصله‌ اقلیدسی استفاده می‌شود. با توجه به در نظر گرفتن سرخوشههای اولیه می‌توان به این نتیجه رسیدکه انتخاب سرخوشههای اولیه‌ نامناسب می‌تواند تأثیر زیادی در نتیجه‌ نهایی داشته باشد که شکل 1-5 در رابطه با مثال بالا، نمایان‌گر این مسأله است.

 
شکل (1-5): محاسبه ‌فاصله‌ از روش اقلیدسی
1-8- خط کنیک (LineKnick)
خط کنیک، یک خط فرضی است که کوهستان را از دشتسر جدا می‌کند. یعنی در واقع جایی است که کوه تمام شده و به دشت سر تبدیل می‌شود. معمولاً در این مرز باید یک تغییر شیب ناگهانی مشاهده شود (شکل 1-6). پس خط کنیک، مرز بین کوه و دشتسر یا پدیمنت است. از آن‌جایی که دشتسر و کوهستان را بر اساس شیب آن‌ها می‌توان تشخیص داد، می‌توان این‌گونه بیان نمود که خط کنیک، یک خط فرضی در پای کوه است که بالادست آن شیب، بیشتر از 16% و پاییندست آن، شیب کمتر از 16% است. بنابراین شاید بتوان بیان نمود که از دید ایدهآل، خط کنیک خطی است که در آن شیب سطح زمین برابر با 16% است (احمدی، 1386).
شکل (1-6): نمایی از خط کنیک
با توجه به مطالب ذکر شده در مورد اهمیت ایستگاههای بارانسنجی جهت برنامهریزی و مدیریت بارش در مناطق مختلف و توانایی روشهای زمینآمار و فازی در برآورد ایستگاههای بهینه در سطح یک منطقه، پژوهش حاضر بر این مبنا انتخاب شده است. دلیل انتخاب منطقه اصفهان نیز کمبود و عدم پراکنش زمانی بارش در این استان و نیاز مبرم به استحصال این موهبت الهی است.

فصل دوم
مروری بر منابع
2-1- مروری بر تحقیقات گذشته
در این فصل به مطالعاتی که در زمینه طراحی شبکه بارانسنجی در حوزه‌های مختلف آبخیز صورت گرفته اشاره شده است. تحقیقات متعددی در خصوص چگونگی پراکنش ایستگاهها صورت پذیرفته است که از آن جمله می‌توان به موارد زیر اشاره نمود:
اندازه‌گیری باران، قدمتی بیش از 2000 سال دارد. در واقع اولین اندازه‌گیری‌های ساده بارندگی، از چهارصد سال قبل از میلاد مسیح در هندوستان آغاز گردید. نخستین بارانسنجی که در دنیا نصب شده است، مربوط به سال 1400 میلادی و درکشور کره است. ثبت خودکار بارندگی‌ها نیز از سال 1600 در انگلستان آغاز گردید(علیزاده،1379 و مهدوی 1371 و هندریک و کومر، 1970)9.
2-2-تحقیقات داخلی
علیزاده (1384) طی تحقیقی به تعیین محل نصب بارانسنج و عوامل مؤثر بر آن پرداخت. وی به این نتیجه رسید که دو عامل تعداد و توزیع مناسب بارانسنج‌ها نقش اساسی در تعیین و محاسبه بارندگی متوسط یک حوضه، دارند. بنابراین تعیین محل مناسب برای نصب بارانسنج کار ساده‌ای نیست. به‌عبارتی، تعیین دقت تخمین بارندگی دریک منطقه وابسته به صحت و دقت نقطه مکان‌یابی شده به‌عنوان ایستگاه دارد، هم‌چنین این نکته را باید مدنظر داشت که اگر تعداد ایستگاه‌های موردنظر زیاد باشد، از لحاظ اقتصادی مقرون به صرفه نبوده و در صورت کم بودن آن‌ها میزان تخمین بارندگی با واقعیت محل، تفاوت فاحشی خواهد‌داشت. هم‌چنین وی بیان نمود که با تغییر ارتفاع، نوع بارندگی تغییر می‌کند.
خلیلی وهمکاران (1386) طی تحقیقی در استان آذربایجان غربی نشان ‌دادند که یکی از مشکلات عمده در تجزیه و تحلیل بارش، تخمین بارش در نقاط فاقد ایستگاه‌های بارانسنجی به‌ویژه ارتفاعات می‌باشد، به‌طوری‌که مقادیرتخمینی ممکن است نتایج بسیار نامعقولی داشته و خطای بسیار زیادی در محاسبات و نتایج پروژه ایجاد نمایند. در این تحقیق برای بررسی اینکه ایستگاه‌های منتخب چه سطحی از منطقه مورد مطالعه را می‌پوشانند و هر ایستگاه چه مساحتی را پوشش می‌دهد و شعاع تأثیر هر ایستگاه چقدر است، از روش‌های آماری مختلفی نظیر تحلیل همبستگی استفاده شده ‌است. بررسی‌ها نشان‌ داده است که هر چقدر از یک ایستگاه فاصله می‌گیریم، ضریب همبستگی بارش ایستگاه‌های دور دست‌تر کمتر می‌گردد.
آذری و همکاران (1386) طی مقاله‌ای ارزیابی تراکم شبکه‌های بارانسنجی در غرب ایران شامل استان‌های کرمانشاه، ایلام، همدان، کردستان و لرستان را با استفاده از آمار بارندگی متوسط سالیانه در یک دوره آماری 15 ساله برای 30 ایستگاه بارانسنجی حوضه‌های آبخیز را استخراج کردند. ضرایب همبستگی (r) و متوسط خطای استاندارد (SE) برای تمام زوج ایستگاه‌هایی که کمتر از 100 کیلومتر فاصله و 260 متر اختلاف ارتفاع از یکدیگر داشته باشند محاسبه گردیده است. یک تابع پلی نومیال درجه سوم از فاصله درون ایستگاهی بر اساس دو معیار اختلاف ارتفاع و شیب در این مناطق مورد استفاده قرار‌گرفت. طراحی یک شبکه بارانسنجی با یک مقدار ضریب همبستگی با توجه به مدل به‌دست آمده بارش سالیانه را با خطایی برآورد می‌کند. در صورت به‌کارگیری ضریب همبستگی تعداد بارانسنج‌های مورد نیاز در منطقه مشخص می‌شود.
کسایی و همکاران (1387) اصلاح و طراحی یک شبکه‌ی باران‌سنجی به‌منظور افزایش دقت در تخمین مقادیر بارش، نیازمند یافتن موقعیت بهینه‌ی ایستگاه‌ها می‌باشد. بیش‌تر خطاهای تخمین بارش ناشی از موقعیت باران‌سنج‌ها می‌باشد که یک طراحی صحیح شبکه‌ی بارانسنجی می‌تواند خطاهای مرتبط با اندازه‌گیری بارش را کاهش دهد. در این پژوهش داده‌های بارش سالانه 142 ایستگاه‌ تحت تملک وزارت نیرو با دوره‌ی آماری به ثبت رسیده متفاوت از 10 تا 55 سال، در سه استان خراسان رضوی، شمالی و جنوبی از سازمان آب منطقه‌ای استان‌ها دریافت شده و تحلیل‌های زمین‌آماری در دو حالت به تفکیک سه استان و مجموعه‌ی آن‌ها به صورت سطح یکپارچه، به‌منظور یافتن ارتباط مکانی بین داده‌ها صورت گرفت. در حالت تحلیل مجموعه سه استان به صورت یکپارچه، مناسب‌ترین نیم تغییرنما از نوع کروی با دامنه‌ی تأثیر 20 کیلومتر و با مقدار سقف 3100 بدست آمد. در نهایت، با انجام مطالعات زمین‌آماری و بررسی مکانی ضریب تغییرات بر پارامتر بارش سالانه، در سطح استان خراسان رضوی به‌گونه‌ای مجزا، مشخص گردید که با اضافه شدن 15 ایستگاه پیشنهادی جدید به شبکه‌ی باران‌سنجی موجود در این استان، مقادیر ضریب تغییرات مکانی بارش سالانه درمحدوده‌ای گسترده، از بخش‌های مرکزی استان بین 14 تا 17 درصد و در نواحی غربی در حدود 7 درصد کاهش می‌یابد. هم‌چنین، در نتیجه‌ی تحلیل بالا، در سطح مجموعه‌ی سه استان، مشخص گردید.
که با اضافه شدن 15 ایستگاه جدید، مقادیر ضریب تغییرات مکانی بارش سالانه در محدوده‌ای گسترده، از بخش‌های مرکزی، شمالی و شرقی استان بین 8 تا 9 درصد در نواحی غربی نزدیک به 23 درصد کاهش می‌یابد.
رحیمی بندرآبادی و همکاران (1388) بررسی‌های اولیه آن‌ها نشان داد که ایستگاه‌های باران‌سنجی موجود در کشور از توزیع مکانی مناسبی برخوردار نبوده و بسیاری از آن‌ها در محدوده‌های جمعیتی متمرکز هستند. بهینهسازی شبکه ایستگاه‌های باران‌سنجی می‌تواند در بهبود دقت نتیجه مطالعات منابع آب موثر باشد. روش‌های مختلفی برای این منظور وجود دارد.کریجینگ یک روش زمینآماری است که می‌تواند توزیع واریانس خطای برآورد را بر اساس ویژگی‌های نیم تغییرنما و بدون داشتن آمار مشاهده‌ای تاریخی محاسبه نماید. بنابراین با استفاده از این روش می‌توان قبل از احداث ایستگاه و انجام نمونهبرداری، میزان کاهش واریانس خطا را به ازای اضافه نمودن ایستگاه جدید و یا جابجایی یک ایستگاه محاسبه نمود. در این تحقیق هدف بهینهسازی شبکه ایستگاه‌های باران‌سنجی جنوب غرب کشور با توجه به واریانس برآورد کریجینگ و توپوگرافی منطقه و با هدف حفظ یا کاهش تعداد ایستگاه‌های موجود در منطقه (عدم ایجاد هزینه اضافی) می‌باشد. نتایج حاکی از آن است که تعداد و آرایش ایستگاه‌های موجود برای برآورد توزیع مکانی بارندگی در ماه‌های خشک سال کفایت می‌نماید. اما در مورد سایر ماه‌ها و بارندگی سالانه، نیاز به جابجایی برخی ایستگاه‌ها می‌باشد. نتایج نشان داد که جابجایی 17 ایستگاه منطقه میزان میانگین واریانس خطا را حدود 10 درصد کاهش می‌دهد. هم‌چنین بررسی وضعیت برون‌یابی داده‌ها بیانگر خطای قابل توجهی در برآورد بارندگی در ارتفاعات می‌باشد.
کریمی حسینی و همکاران (1388) در تحقیق خود از میان شاخص‌های مختلف آنتروپی، آنتروپی انتقال اطلاعات را به عنوان معیاری از انتقال اطلاعات و اطلاعات در دسترس شبکه پایش، برای بهینهسازی شبکه بارانسنجی منطقه مورد مطالعه و تعیین مکان‌های مناسب احداث بارانسنج از میان نقاط پتانسیل معین، انتخاب شد. ابزار بهینهسازی در این مطالعه الگوریتم ژنتیک می‌باشد که با دو تابع هدف بیشینه کردن متوسط آنتروپی انتقال اطلاعات و بیشینه کردن حداقل آنتروپی انتقال اطلاعات در محدوده مطالعه (حوضه باتلاق گاو خونی)، اجرا شده است. نتایج مطالعه، نشاندهنده قابلیت این الگوریتم در مکان‌یابی ایستگاه‌های جدید و نیز برتری نسبی تابع هدف دوم است. در انتها موقعیت بارانسنج‌های پیشنهادی هر دو روش نیز ارائه شد.

اعمی ازغدی و همکاران (1389) طی پژوهشی در محدودهای واقع در شمال شرق استان خوزستان که یکی از سرچشمههای اصلی رودخانه‌ی کارون است به بررسی میزان بارندگی و تعیین محل ایستگاه‌های بارانسنجی پرداختند و به این نتیجه رسیدند که میزان بارندگی در مناطق مسطح نسبت به مناطق کوهستانی، از توازن بیشتری برخوردار هستند. هم‌چنین سیستم اطلاعات مکانی به‌عنوان یک سامانه‌ی بسیارکارآمد توانایی آن را دارد تا مسائل دشواری مانند تعیین محل ایستگاه‌های بارانسنجی را به‌راحتی حل نموده و با استفاده از آنالیزهای دقیق و با کمک افراد متخصص می‌توان کار عظیم فوق را با صرف کم‌ترین هزینه، وقت و به بهترین وجه ممکن به انجام رساند.
ادیب وهمکاران (1390) طی تحقیقی با استفاده از کلیه‌ی ایستگاه‌های باران‌سنجی یک حوضه که برای تخمین بارندگی منطقه مورد استفاده قرار می‌گیرند، ترکیبی از یک مدل شبیهساز و یک مدل بهینه‌ساز به‌دست آوردند. در این روش ابتدا سطح مورد نظر با مجموع اشکال منظم به بهترین صورت تقریب زده شد و سپس به‌کمک روش کریجینگ، مقدارخطای برآورد هر ترکیب nتایی از مجموع N ایستگاه بیرون و یا درون حوضه به‌دست آمد و واریانس خطای تخمین توسط مجموعه مشخص‌شد. در نهایت با استفاده از الگوریتم ژنتیک، بهترین ترکیب که در واقع کمینه‌ترین خطای برآورد را حاصل می‌کند، تعیین شد.
مصطفیزاده و همکاران (1390) طی تحقیقی دراستان گلستان به بررسی ایستگاه‌های باران‌سنجی پرداختند. ایستگاه‌های بارانسنجی معمولاً با هدف اندازه‌گیری و تعیین تغییرات زمانی و مکانی بارش احداث می‌گردند. بنابراین نیازمند یک طراحی دقیق و اصولی می‌باشند. در این تحقیق به ارزیابی شبکه بارانسنجی در استان گلستان (39 ایستگاه بارانسنجی با 12 سال دوره آماری) با استفاده از روش همبستگی مکانی بین ایستگاه‌ها پرداختند. در این راستا تابع همبستگی بر اساس همبستگی میان داده‌های بارش ماهانه و فواصل ایستگاه‌ها و معیارهای صحت برآورد بارش شبکه باران سنجی در دو منطقه همگن محاسبه گردید. براساس نتایج تعداد و فواصل ایستگاههای مورد نیاز برای بهبود شبکه بارانسنجی در دو منطقه همگن و فواصل میان آن‌ها بر اساس خطاهای مورد انتظار تعیین شد. نتایج نشان داد که در مناطق کوهستانی نسبت به مناطق دشتی، ایستگاههای بارانسنجی دارای پراکنش تقریباً مناسب‌تری هستند. در مجموع نتایج شبکه بارانسنجی موجود در برآورد بارش منطقه‌ای، اهداف مطالعات تحقیقاتی و مدیریتی که نیازمند داده‌هایی در سطح خطای 10 تا 15 درصد هستند را تأمین می‌نماید. به منظور بهبود صحت شبکه دربرآورد بارش درمقیاس‌های کوچک‌تر
زمانی و مکانی درمنطقه کوهستانی افزایش تعداد ایستگاه‌ها و در منطقه دشتی تغییر در آرایش فضایی موجود پیشنهاد شد.
میرموسوی و همکاران (1390) طی پژوهشی با استفاده از روش کریجینگ و معکوس وزنی، نسبت به درونیابی بارش در استان کرمان اقدام نمودند. برای این منظور از آمار بارش ماهانه تعداد 9 ایستگاه سینوپتیک استان کرمان و 11 ایستگاه سینوپتیک استان‌های هم‌جوار استفاده شد. نتایج این مطالعه نشان داد که روش کریجینگ با سطح خطای پایین‌تر، روش مناسب‌تری برای درونیابی بارش در این منطقه می‌باشد. براساس مدل‌های برازش یافته نیمه پراکنشنگار، مدل‌های کروی، خطی و نمایی امکانات مناسب‌تری را برای تهیه نقشه‌های هم باران قرار می‌دهند. دربین مدل‌های مذکور مدل کروی برای ماه‌های ژانویه تا ژوئن و همچنین ماه دسامبر، مدل نمایی برای ماه جولای و مدل نمایی برای ماههای آگوست تا نوامبر مناسب‌ترین مدل تغییرنما تشخیص داده شدند. بر مبنای دامنه تغییرات هم به میزان 42-13 میلیمتر در این فصل است. از نظر مکانی شیب تغییرات بارش از جنوب به شمال روند کاهشی دارد. در سایر فصول ضمن پایین بودن میانگین بارش دامنه تغییرات نیز نوسانات قابل ملاحظه‌ای نشان نداد.
مظفری و همکاران (1391) طی پژوهشی دو روش کریجینگ (ساده و معمولی) و رگرسیون خطی بر پایه مدل ارتفاعی رقومی زمین، جهت برآورد بارش سالانه با استفاده از آمار 11 ساله (1997- 2007) دادههای بارش 57 ایستگاه بارانسنجی استان بوشهر، مورد ارزیابی قرار گرفتند. بدین منظور ابتدا به ازای هر مدل در روش کریجینگ، نیم تغییرنمای آن محاسبه و با استفاده از تکنیک ارزیابی متوالی، خطای نقشهها برآورد شد و از میان 14 نقشه، نقشه با کم‌ترین خطا به عنوان نقشه بهینه اختیار شد. سپس دادههای بارش و ارتفاع ایستگاههای مورد نظر با استفاده از مدل رگرسیون خطی در محیط نرم افزار Curve Expert فراخوانی گردید و با 18 مدل برازش داده شد تا مدل بهینه مشخص شود. با توجه به ارزیابی‌های صورت گرفته مشخص گردید دو مدل نمایی از روش کریجینگ معمولی و تابع رگرسیونی چند جملهای درجه چهارم نتایج بهتری را برای میانیابی بارش نسبت به دیگر روش‌ها از خود نشان داد. در نهایت‌ به منظور تعیین بهترین مدل جهت توزیع مکانی بارش و انجام میانیابی، مدل‌های برتر هر دو روش با یکدیگر مقایسه شدند و مشخص گردید که مناسب‌ترین روش جهت میانیابی بارش سالانه در استان بوشهر، روش رگرسیون با تابع چند جمله‌ای درجه چهارم است.
شقاقیان و همکاران (1392) طی تحقیقی در منطقه دشتی استان‌های کهگیلویه و بویراحمد و خوزستان در جنوب غرب ایران با مساحت کل حدود 25000 کیلومتر مربع در 34 ایستگاه بارندگی با دادههای ماهانه به مدت حداقل 10 سال برای تجزیه و تحلیل در این مطالعه استفاده کردند. بر خلاف اکثر روش‌های قطعی سنتی، برآورد احتمالی بارندگی برای مثال روش‌های زمینآماری، ساختار مکانی مشاهدات بارندگی را در نظر گرفته و نیمه واریوگرام موسوم به واریوگرامها به صورت معیار اندازهگیری تغییرات مکانی استفاده می‌کند. در تجزیه و تحلیل دادههای مکانی اکتشافی، یک سری از کارها نظیرتعیین و حذف دادههای پرت، کنترل نرمال بودن و لزوم تبدیل دادهها انجام می‌شود. مدلسازی واریوگرام به محاسبه واریوگرامهای تجربی و یافت یک واریوگرام نظری می‌پردازد و دارای بهترین برازش را با واریوگرام تجربی داشت. در این تحقیق، مسئله کلیدی به چالش کشیدن هدف‌مند یک سری نمونههای طراحی شبکه ایستگاه بارانسنجی بر اساس واریان‌ساز نظر کاربرد و سپس انجام اولویتبندی ایستگاههای بارانسنجی است که با ترکیبی از ابزارهای زمینآمارو فنون چند متغیره انجام می‌شود. برای این منظور، تجزیه و تحلیل مفصل‌تر دونمونه متعارف در طراحی شبکه بارانسنجی انجام می‌شود.
شفیعی وهمکاران (1392) طی پژوهشی از روش مبتنی بر مدل زمینآماری کریجینگ و تابع توزیع احتمال نرمال برای ارزیابی شبکه ایستگاههای بارانسنجی در حوضه گرگان‌رود استفاده کردند. ابتدا با تحلیل تغییرات مکانی بارندگی سالانه در حوضه توسط نیم تغییرنما بدون بعد، ساختار مکانی بارندگی حوضه استخراج و سپس توسط الگوریتم ارائه شده شبکه ایستگاه بارانسنجی حوضه مورد بررسی قرار گرفت. نتایج نشان داد که از 33 ایستگاه مورد تحلیل، 21 ایستگاه به عنوان ایستگاه‌های شبکه مبنا شناخته شدند و 12 ایستگاه باقی مانده تأثیر بسیار کمی در برآورد بارندگی حوضه داشتند. در روند بهینهیابی، ایستگاه‌های غیر مبنا به 7 ایستگاه جدید در سایر نقاط حوضه کاهش یافتند که موجب افزایش دقت در تخمین بارندگی در کل حوضه شدند. همچنین با سادهسازی‌های انجام شده در روش مذکور و انجام محاسبات در محیط نرمافزارGIS به صورت توسعه یک ابزار، نتایج نشان داد که از روش ارائه شده می‌توان به سادگی در ارزیابی شبکه ایستگاه‌های بارانسنجی استفاده نمود.
بختیاری و همکاران (1393) طی تحقیقی، یک شبکه بارانسنجی باید برای مقاصد عمومی و تخصصی چند‌منظوره نظیر تأمین آب، تولید انرژی برق آبی، پیشبینی سیلاب،آبیاری و کنترل سیل مورد استفاده قرار گیرد. سطح دقت یک شبکه بستگی به تعداد و مکان‌های ایستگاههای بارانسنجی در شبکه دارد. در این مطالعه، یک شبکه بارانسنجی برای استان هرمزگان در جنوب ایران طراحی شد. مقدار کل بارندگی ماهانه از 124 ایستگاه بارانسنجی در دوره 2000 تا 2009 استفاده شد. این استان را می‌توان به چهار منطقه با استفاده از شاخص خشکی دومارتن تقسیم کرد. روش کاگان برای مکانیابی مجدد شبکه ایستگاه بارانسنجی برایرسیدن به طرح بهینه استفاده شد. در این روش آماری همبستگی‌ها بر اساس فاصله طبقهبندی شدند. مدل‌های نمایی باهمبستگی‌های متوسط در برابر فواصل متوسط در همه مناطق برازش شدند. تعداد ایستگاههای بارانسنجی وفاصله بین آن‌ها محاسبه شد. نتایج نشان داد که حاجیآباد دارای مقدار حداقل مسافت 125 و بندر لنگه دارای مقدار حداکثر 588 کیلومتر بود. تغییرات مکانی بارندگی در حاجیآباد برای ایستگاهها بیشتر بود. نتایج نشان می‌دهد که 40، 50، 20 و 55 ایستگاه برای نشان دادن مقدار بارندگی با خطای متوسط 15 درصد به ترتیب درمناطق بندر لنگه، بندرعباس، حاجی آبادو میناب کافی هستند.
2-3-تحقیقات خارجی
جوسی ام میجیا10 (1974) در مقاله خود روشی برای طراحی شبکههای باران ارائه نمود. مسئله شبکه در مفاهیم کلی بحث شده و سپس به بررسی‌شبکه برای ارایه اطلاعات زمینه برای طراحی سیستم‌های‌ سنجش تخصصی‌تر پرداخته شد. فرآیند بارندگی از حیث ساختار همبستگی آن در مقیاس مکانی و زمانی توصیف یک شبکه عمومی برای برآورد واریانس بارش میانگین بلندمدت و بارش میانگین واقعی درمقیاس رگبار توصیف می‌شود. این واریانس را می‌توان به صورت تابعی از همبستگی در زمان، مکان، طول عملیات شبکه و شکل هندسی ایستگاه بیان کرد. تبادل مکان در برابر زمان به طور کمی بررسی شده و نمونههای واقعی استفاده می‌شوند که نشاندهنده تأثیر طراحی شبکه بر واریانس مقادیر برآوردی است.

بارس و رودریگز11 (1976) طی تحقیقی به این نتیجه رسید که بارندگی را به عنوان یک فرآیند احتمالی چند بعدی فرض ‌کند. با استفاده از دانش چنین فرآیندهایی وتئوری برآورد چند متغیره روشی برای طراحی شبکه بهینه برای بدست آوردن بارش متوسط غیر واقعی از یک رویداد در یک مکان ثابت ایجاد شد. روش مورد استفاده در این مسئله امکان در نظر گرفتن ابعاد ذیل از شبکه طراحی را می‌دهد. 1- عدم قطعیت مکانی و همبستگی فرآیند، 2- خطا در فنون اندازهگیری و همبستگی آن‌ها و 3- هزینههای نمونهبرداری متجانس. شبکههای بهینه از نظر تعدادمحل ایستگاهها با هزینههای حاصله و خطای میانگین متوسطاز برآورد بارندگی بررسی شدند.

دسته بندی : پایان نامه ارشد

پاسخ دهید