نوع مقاله : مقاله پژوهشی
نویسندگان
1 استاد اقلیمشناسی، گروه جغرافیا، دانشگاه زنجان، زنجان، ایران
2 استاد اقلیمشناسی، گروه جغرافیا، دانشگاه اصفهان، اصفهان، ایران
3 دانشجوی دکتری اقلیمشناسی، دانشگاه زنجان، زنجان، ایران
چکیده
کلیدواژهها
موضوعات
عنوان مقاله [English]
نویسندگان [English]
Extended Abstract:
Introduction
Some mechanisms of climate change, particularly changes in precipitation, are the result of changes in local mechanisms, while some others are caused by the interaction of events on larger scales, e.g., regional, synoptic, hemispherical, or planetary scales. However, in all these changes, the reactions of spatial factors like geographical coordinates (latitude and longitude) and topographic features, including altitude, terrain slope, and terrain aspect, on a local scale can be a proper signal of large-scale changes. In particular, numerous studies have shown that spatial variations, as well as temporal variability of precipitation, are in relation with spatial coordinates (longitude and latitude) and topography (altitude, terrain slope, and terrain aspect). Nevertheless, the fact that the temporal variation of precipitation is in relation with the roles of spatial factors has been neglected.
Using the Artificial Neural Network (ANN) technique, the present study aimed to provide inferences about the decadal changes in the overt and covert links of spatial factors with the precipitation climatology of Iran. Thus, using the national network data (Asfazari), 3rd version, the spatial distributions of precipitation for the last four decades were compared based on spatial factors. Also, an attempt was made to show the decadal variation of precipitation in Iran in relation to spatial factors, which could serve as an index of climate change as an essential field of research on precipitation.
Data and Methodology
Two datasets were employed to conduct this investigation; the 3rd version of Asfazari Precipitation Dataset and the data of a Digital Elevation Model (DEM) related to Iran. The first dataset with the dimensions of 16801×205×167 and a resolution of 10 km was applied to study the temporal and spatial behaviors of precipitation within Iranian borders. The second dataset with a resolution of 10 km belonged to the US Geological Survey produced via ASTER satellite imagery with a global coverage.
Based on the two above-mentioned datasets, the following steps and methods were taken and adopted to conduct the current study:
1- The average precipitation for the whole period (1969-2015) was calculated and its spatial relationships were examined. To investigate the variability of decadal precipitation, the average precipitation for each decade up to the decade of 2006-2015 was measured. Thus, the first 6 years (1969-1975) did not fit into the study decades to provide a comparison. Accordingly, the spatial characteristics of precipitation in Iran during the four decades of 1976-1985, 1986-1995, 1996-2005, and 2006-2015 were studied.
Precipitation is considered as one of the elements, phenomena, and climatic processes, as well as an important indicator, in climate change tracking. One of the notable features of precipitation is its strong and often nonlinear relationship with geographical coordinates (latitude and longitude) and topographic factors (altitude, slope, and slope direction). There are several ways to study this relationship. In this regard, we can refer to regression methods, control methods, ANN methods, etc. In recent years, the use of regression techniques (for example, Singh et al., 1995; Glazin, 1997; Alijani, 1373; Ghayyur and Masoudian, 1375; Mojarad and Moradifar, 1382; Asakereh, 1384; Razi'i and Azizi, 1387) has been in focus.
Modeling the time series of climate like precipitation and chaotic spatial relationships of such nonlinear series are difficult and complex task due to atmospheric dynamics and its nonlinear relationships with spatial variables and since temporal change (variability) of precipitation in a continuous and chaotic system reflects a complex and nonlinear atmospheric behavior in the "geographical space". The spatial analysis showed that the relationships between precipitation and spatial factors had undergone a change on the tempo-spatial scale. Accordingly, complex algorithms, such as ANN methods, were more suitable for modeling these chaotic time series in a broad space like Iran.
To study the characteristics of precipitation in Iran and compare the spatial relationships of precipitation in the current research, the spatial distribution of precipitation on the decadal scale and the decadal variability of precipitation were first investigated. Based on the selected spatial-topographic factors in all 16203 cells on the map of Iran as the ANN inputs, a model could be extracted to better fit the data. In this paper, the precipitation in Iran was regarded as the target variable to be compared with the model outputs.
Results and discussion
General characteristics of annual rainfall
The spatial average of precipitation was about 250.5 mm. There was a very large spatial difference of precipitation in Iran. The spatial variability of precipitation was estimated based on geographic coordinates and topographic variables by using the ANN technique. Although the model’s error rate (88809.3) was noticeable, the correlation coefficient (0.95) showed that the estimated spatial distribution pattern of precipitation and the spatial distribution of real precipitation were very similar (90%). The absolute values of the model’s coefficients revealed that longitude, latitude, and altitude played the most important roles, respectively. The terrain aspect played the least important role in justifying precipitation.
Decadal changes of precipitation
The average precipitation in the country demonstrated a significant decrease from 268.1 to 220.3 mm from the first to the fourth decade. Nonetheless, the second decade had experienced a relatively significant increase and thus disrupted the general downward trend. The average precipitation anomaly was negative in the last two decades as well. This was evidence of the impact of the decreasing trend of precipitation in all regions of the country. Consequently, in the last two decades, 76.1 and 81% of Iran’s territory had received less precipitation than the long-term average precipitation between 1969 and 2015, respectively. The amounts of precipitation in the models fitted to each decade were compatible with the actual precipitation amounts. Therefore, the role of spatial factors in estimating rainfall had an acceptable capability.
Decadal changes in the effects of spatial factors
Assessment of latitude coefficients revealed that both the pattern and coefficient values were corresponding to the first, third, and fourth decades. It seemed that the negative values of latitude increased towards the last decade. For the second decade, which was associated with a relative enhancement in rainfall, the coefficients were different from those of the other decades. In this decade, coefficient variability was higher than those of the other decades. The average longitude coefficients of 10 neurons for the four studied decades were 1.76, 29.35, 0.91, and -1.19, respectively. The average altitude coefficients of neurons for these decades were about -2.87, -7.3, 0.1, and 3.75, respectively. Also, the average slope coefficients for the decades were almost similar to those of the altitude pattern (-2.29, 29.91, 0.3, and -0.22, respectively). However, the degrees of influence (coefficient values) and their signs were highly different for these two factors. Finally, the average coefficients for slope for the mentioned decades were about -0.71, 31.18, 0.34, and -2.83, respectively.
Conclusion
In this investigation, the diversity of spatial factors, such as geographical coordinates and topographic features, were found to have led to the spatial diversity of climatic elements like precipitation. In association with the temporal changes of precipitation, spatial factors played different roles in the process. Therefore, despite the relative stability of spatial factors, it could be inferred that these factors played different roles in the context of precipitation changes. To track the roles of geographical coordinates and topographic factors, i.e., altitude, terrain slope, and terrain aspect, in precipitation, the Artificial Neural Network (ANN) model was utilized. The research findings could be presented in two categories as follows:
Keywords: Iran, Artificial Neural Network (ANN), decadal variation, precipitation variability, spatial variable, topographic factor
References
- Alpert, P., Neeman, B. U., and Shay-El, Y. (1990). "Climatological analysis of Mediterranean cyclones using ECMWF data". TellusA, 42, 65-77.
- Alpert, P., Osetinky, I., Ziv, B., & Shafir, H. (2004). "Semi-Objective Classification for Daily Synoptic System: Application to the Eastern Mediterranean Climate Change". International journal of climatology, 24:1001–101.
- Asakereh, H. (2004). Spatial change modeling of climate data (A case study: Annual precipitation of Esfahan province). Geographical Research, 19(374), 213-231.
- Asakereh, H. (2007). Spatio–Temporal Changes of Iran Inland Precipitation during Recent Decades. Geography and Development Iranian Journal, No. 10, pp. 145-164.
- Asakereh, H. (2008). Kriging Application in Climatic Element Interpolation (A Case Study: Iran Precipitation in 1996). Geography and Development Iranian Journal, No. 12, pp. 25-42.
- Asakereh, H. and Seifipour, Z. (2013). Spatial Modeling of Annual Precipitation in Iran. Geography and Development, 10(29), 6-9.
- Asakereh, H., Jahanbakhsh, S., & Ashrafi, S. (2019). On the frequency changes of cyclones affecting precipitation in the Rood Zard basin, Iran. Arabian Journal of Geoscences, 12. https://doi.org/10.1007/s12517-019-4523-9
- Bengtsson, L., Hodges, K. I., & Roeckner, E. (2006). "Storm Tracks and Climate Change". Journal of Climate, 19, 3518-3543.
- Blender, R. & Schubert, M. (1999). "Cyclone Tracking in Different Spatial and Temporal Resolutions". American Meteorological Society: 377-384.
- Flocas, H., Kouroutzoglou, j., Keay, K., & Simmonds, I. (2010). "On Cyclonic Tracks over the Eastern Mediterranean". Journal of Climate, Vol. 23, October 2010.
- Geng, Q. & Sugi, M. (2001). "Possible Change of Extratropical Cyclone Activity due to Enhanced Greenhouse Gases and Sulfate Aerosols—Study with a High-Resolution AGCM". Journal of climate, No. 16. 2262-2274.
- Glazirin, G. E. (1997). Precipitation Distribution with Altitude. Theoretical and applied climatology, Vol. 58, pp. 141-145.
- Goudi, A. (1992). Environmental change. Oxford University Press, 3rd edition.
- Lionello, P., Dalan, F., & Elvini, E. (2002). Cyclones in the Mediterranean region: the present and the doubled co_2 climate scenarios. CLIMATE RESEARCH, 147–159.
- Maduako, I. D., Yun, Z., & Patrick, B. (2016). Simulation and prediction of land surface temperature (LST) dynamics within Ikom City in Nigeria using artificial neural network (ANN). Journal of Remote Sensing & GIS, 5(1), 1-7.
- Singh, P., Ramasastri, K. S., & Kumar, N. (1995). Topographical Influence on Precipitation Distribution in Different Ranges of Western Himalayes. Nordic Hydrology, Vol. 26, pp. 259-284.
کلیدواژهها [English]
مقدمه
بعضی سازوکارهای تغییر اقلیم بهویژه تغییرات حاکم بر بارش حاصل تغییر سازوکارهای محلی و بعضی حاصل برهمکنش رویدادهایی در مقیاسهای بزرگتر (مثلاً مقیاسهای منطقهای، همدید، نیمکرهای یا سیارهای) است (Goudi, 1992: 102)؛ اما در تمامی این تغییرات، واکنش عوامل مکانی در مقیاسهای محلی (نظیر مختصات جغرافیایی شامل طول و عرض جغرافیایی و ویژگیهای توپوگرافیک شامل ارتفاع، میزان و جهت شیب) بازتاب مناسبی از تغییرات کلان به شمار میآید؛ بهویژه اینکه در پژوهشهای بیشماری (Singh et al., 1995: 259-284؛ Glazirin, 1997: 141-145؛ غیور و مسعودیان، 1375: 2-60؛ مجرد و مرادیفر، 1382: 163-182؛ عساکره، 1383: 213-231؛ عساکره، 1386: 145-164؛ عساکره و سیفیپور، 1391: 15-30؛ علیجانی، 1395: 126-128) نشان داده شده است که تغییرات مکانی و نیز وردایی زمانی بارش، تابعی از مختصات مکانی (طول جغرافیایی و عرض جغرافیایی) و توپوگرافی (ارتفاع، جهت و میزان شیب دامنهها) است؛ با وجود این از این واقعیت غفلت شده است که تا چه حد تغییرات زمانی بارش در نقش متغیرهای مکانی بازتاب مییابد.
پژوهش حاضر با بهکارگیری شگرد شبکة عصبی مصنوعی (ANN)[1] از روی تظاهرات معینی (تغییرات مکانی بارش)، دربارة تغییرات دههای پیوندهای آشکار و نهان عوامل مکانی با اقلیم بارشی ایران استنباطهایی ارائه کرده است؛ بدین ترتیب با استفاده از دادههای شبکهای ملی (اسفزاری) نسخۀ سوم، توزیع مکانی بارش برای چهار دهۀ اخیر و براساس متغیرهای مکانی مقایسه شد؛ بنابراین در پژوهش حاضر تلاش میشود وردایی دههای بارش در ارتباط با نقش عوامل مکانی و بهمثابة نمود و نمایهای از تغییرات اقلیمی و نیز یکی از زمینههای پژوهشی ضروری دربارة بارشهای ایران در مرکز توجه قرار گیرد؛ بدین ترتیب تغییرات دههبهدهۀ بارش و میزان تأثیر این عوامل مکانی بر تغییرات بارش مدنظر قرار خواهد گرفت.
دادهها و روشها
برای انجام این پژوهش از دو گروه پایگاه دادهای استفاده شد؛ پایگاه نخست، نسخۀ سوم پایگاه دادة اسفزاری بارش است. پایگاه دوم، دادههای مدل رقومی ارتفاع (DEM) [2] مربوط به ایران است.
پایگاه دادهای اسفزاری نسخۀ سوم حاصل میانیابی دادههای بارش روزانۀ 2188 ایستگاه همدید، اقلیمی و بارانسنجی سازمان هواشناسی از 01/01/1349 تا 29/12/1394 بهمدت 16801 روز و با تفکیک مکانی 10 کیلومتر است (مسعودیان، 1398: 14-19). توزیع مکانی ایستگاههای استفادهشده در شکل 1 ارائه شده است. با توجه به مشخصات کارتوگرافیک سیستم تصویر استفادهشده در این روش میانیابی (لامبرت مخروطی همشکل) و با توجه به مختصات جغرافیایی ایران (بین مدار 25 تا 40 درجۀ شمالی و 44 تا 64 درجة شرقی) براساس بیضوی مرجع (WGS84) و تفکیک مکانی، ده کیلومتر شبکۀ جغرافیایی پایگاه داده به ابعاد 205×167 به دست آمد. تعداد کل یاختههای درون این شبکه 34235 است که 16203 از آنها در درون مرزهای خاک اصلی ایران جا میگیرد. از سوی دیگر با توجه به زمان آغاز و پایان پایگاه داده که بر 16801 روز مشتمل است، ابعاد نهایی پایگاه داده 16801×205×167 خواهد بود. به کمک این پایگاه داده میتوان رفتار زمانی و مکانی بارش را در درون مرزهای ایرانزمین بررسی کرد.
دادههای مدل رقومی ارتفاع (DEM) با قدرت تفکیک 10متری به سازمان زمینشناسی ایالات متحدة آمریکا مربوط است که از تصاویر ماهوارهای Astet برای پوشش جهانی دردسترس است. این دادهها از آدرس زیر دردسترس است:
https://earthexplorer.usgs.gov/fgdc/4220/ASTGDEMV20_0S37E175
برای محاسبۀ متغیرهای مکانی متناظر با یاختههای نقشۀ بارش، دادههای ارتفاعی با توان تفکیک 10 کیلومتر ایجاد شد.
شکل 1. توزیع مکانی ایستگاههای استفادهشده در ایجاد پایگاه دادهای بارش اسفزاری نسخة سوم
(مسعودیان، 1398)
Figure 1. Spatial distribution of station used in third version of Asfazari dataset
براساس دو گروه دادة یادشده در بالا برای انجام پژوهش حاضر مراحل و روشهای زیر انجام شد:
مدلسازی سریهای زمانی اقلیمی نظیر بارش و روابط آشوبناک مکانی این سریهای غیرخطی به دلیل دینامیک جوّ و روابط غیرخطی آن با متغیرهای مکانی، کاری بسیار دشوار و پیچیده است؛ زیرا تغییر(پذیری) زمانی بارش در دستگاه پیوسته و آشوبناک جوّ، رفتاری پیچیده و غیرخطی را در «فضای جغرافیایی» بازتاب میدهد؛ به طوری که تحلیلهای مکانی نشان داده است روابط این عنصر با مختصات جغرافیایی و عوامل توپوگرافیک نیز دچار تغییر(پذیری) میشود؛ از این رو الگوریتمهای مدلسازی رایج (نظیر رگرسیونهای خطی، غیرخطی، منطقی و...) اگرچه از قابلیتهای زیادی برخوردارند (Maduako, 2016: 1-7)، توانایی دقیق و کاملی در بیان ویژگیهای زمانیمکانی فرم و فرایندهای غیرخطی (نظیر بارش) ندارند؛ از این رو ابزارهای مفید، ابزارهایی خواهند بود که بهشکل واضحتری پیچیدگیهای حاکم بر الگوها و روابط زمانیمکانی را بازتاب دهند. از این میان، روشهای شبکۀ عصبی مصنوعی (ANN) برای مدلسازی فرایندهای اساسی بهخوبی شناختهنشده مناسب هستند (پیری صحراگرد و همکاران، 1395: 2).
اگر هریک از اجزای تحریکپذیر آبوهوا را یک نرون[3] تلقی کنیم و نیز عوامل مؤثر بر هریک از این اجزا را یک محرک بیرونی در نظر بگیریم، آنگاه دستگاه اقلیم را میتوان یک پیکرۀ زنده تجسم و تصور کرد که قوانین حاکم بر دستگاه عصبی موجود زنده بر آن روا خواهد بود؛ بنابراین کاربرد شبکههای عصبی مصنوعی در آب و هواشناسی بهمنظور شناخت محرکهای آبوهوایی، تأثیر آنها بر عناصر، پدیدهها و رویدادهای آبوهوایی در جهت الگوسازی و شبیهسازی آنهاست؛ از این رو شبکههای عصبی مصنوعی درزمینۀ الگوسازی خطی و غیرخطی، پویا و ایستای رفتار عناصر، پدیدهها و فرایندهای آبوهوایی کاربرد فراوان دارند. در این زمینه میتوان از الگوسازی و شبیهسازی عوامل مؤثر بر انواع دگرگونیهای زمانی (روند، چرخه، افتوخیز و...) و تنوع مکانی و نیز ردیابی و تشخیص نقاط عطف در مشاهدات آبوهوایی، پیشبینی ترتیب، شدت، دوام و فراوانی رویدادها و همچنین الگوسازی پویا از فرایندها، عناصر، رویدادها و مخاطرات آبوهوایی و نیز تیپبندی و طبقهبندی زمانیمکانی مشاهدات آبوهوایی یاد کرد. در این زمینهها برای نمونه پژوهشهای فلاح قالهری و همکاران (1388)، خوشحال دستجردی و حسینی (1389)، مهدوی و همکاران (1390)، عزیزی و منتظری (1394)، عساکره و حسامی (1398) و خورشیددوست و همکاران (1399) را ببینید. شناخت حاصل از این مدلها، تصویر ذهنی قابل قبولی را از توزیع مکانی تغییرات احتمالی آینده و تجسم پاسخهای احتمالی بارش به آن تغییرات ارائه میکند و راهگشای برنامهریزی و سیاستگذاری مبتنی بر دانستههای اقلیمی است. بدینترتیب شبکههای عصبی مصنوعی، ابزار بسیار مناسبی برای برازش توابع و تشخیص الگوهاست. هنگامی که هدف، برقراری ارتباط و تخمین یک مجموعة عددی (در اینجا برای نمونه بارش بهعنوان بردار هدف) از یک مجموعة ورودی (در اینجا مختصات جغرافیایی- متغیرهای توپوگرافیک) است، رویکرد برازش منحنی (الگوسازی) در این مدلها مدنظر قرار میگیرد (کوثری و اسماعیلزاده، 1395: 255).
در پژوهش حاضر بهمنظور بررسی ویژگیها و مقایسة روابط مکانی بارش و تعبیر و تفسیر آنها، نخست توزیع مکانی بارش برای کل دورۀ 1349- 1394 و نیز در مقیاس دههای بررسی و وردایی دههای بارش وارسی شد. با کمک شبکة عصبی مصنوعی و وزنهای مربوط به نرونهای بارش، مدل مبتنی بر متغیرهای مکانی- توپوگرافیک بر بارش برازش یافت. براساس الگوی ارائهشده در شکل 2، متغیرهای مکانی منتخب (شامل طول جغرافیایی، عرض جغرافیایی، ارتفاع، شیب و جهت شیب) در تمامی یاختههای روی نقشۀ ایران (16203 یاخته) بهعنوان ورودی هوشمند شبکة عصبی مصنوعی، به شبکة عصبی وارد شدند تا بتوان مناسبترین معماری، آموزش، برآورد و درنهایت خروجی را برای هر یاخته به دست آورد. در این نوشتار بارش ایران، متغیر هدف برای مقایسه با خروجیها در نظر گرفته شد.
شکل 2. معماری شبکة عصبی مصنوعی بهکاررفته در پژوهش حاضر
Figure 2. The artificial neural network architecture used in the present study
بسیاری از شبکههای عصبی که درآبوهواشناسی به کار رفتهاند (برای نمونه عساکره و صیادی، 1395؛ عساکره و مطلبیزاده، 1396؛ عساکره و حسامی، 1398) یک لایۀ ورودی و یک لایۀ خروجی دارند که در آن فعالسازی هر واحد برابر با نشانگر ورودی بیرونی آن لایه است. شبکههای عصبی با توابع سیگموئید در لایۀ اول و تابع خطی در لایة دوم میتوانند هر تابع خطی دلخواه و بسیاری توابع غیرخطی را با تعداد محدود نقاط ناپیوستگی تخمین بزنند. براساس اصل امساک[4] تلاش شد شبکۀ مدنظر با کمترین شمار لایه و نرون طراحی شود؛ زیرا با زیادشدن فراسنجهای طراحی، تعبیر و تفسیر شبکه و نیز محاسبات مربوط بسیار دشوار به نظر خواهد رسید.
براساس روشهای آزمون و خطا در طول اجرا، آموزش و اتصالات بین نرونها بهینه شده است تا خطای حاصل کمینه شود. بهمنظور آزمون شبکه از دو ملاک «ضریب همبستگی» بین بردار هدف و خروجی مدلسازیشده و «میانگین مربعات خطا (MSE)[5]» استفاده شد. بیشینۀ ضریب همبستگی و کمینۀ میانگین مربعات خطا بیانکنندة آموزش مناسب شبکه است.
درنهایت پس از آموزش[6] (با استفاده از الگوریتم آموزش شبکة لونبرگ- مارکواردت[7])، نتایج مناسب آزمون و تثبیت معماری و ساختار شبکه، معماری شبکه با یک لایة پنهان شامل 10 نرون و تابع انتقال سیگموئید اختیار شد (شکل 2). یک لایة خروجی نیز با یک متغیر و یک تابع خطی (همانی) انتخاب شد. خروجی حاصل از این مدل، نزدیکترین مقادیر به مشاهدات بارش ایران بوده است. تمام مراحل ساخت شبکة عصبی شامل انتخاب تعداد نرونها و لایههای پنهانی، وزندهی، تعیین تابع شبکهای، تقسیم دادهها، آموزش، راستیآزمایی و آزمون مدل اجرا شد. شایان یادآوری است که در تمام این روشها در مرحلۀ تقسیم دادهها، 70 درصد از کل ورودیها (11343 یاختۀ نقشه) برای آموزش، 15 درصد برای راستیآزمایی (2430 یاختۀ نقشه) و 15 درصد بهمنظور آزمون مدل (2430 یاختۀ نقشه) در نظر گرفته شدهاند.
یافتههای پژوهش
ویژگیهای عمومی بارش سالیانه
شکل 3. الف توزیع مکانی متوسط بارش سالیانۀ ایران را برای دورۀ 1349- 1394 نشان میدهد. میانگین مکانی بارش حدود 5/250 میلیمتر است. انحراف معیار مکانی بارش نیز حدود 5/170 میلیمتر است؛ یعنی تفاوتهای مکانی بارش ایران بسیار زیاد است. در کشور ایران روند عمومی کاهش میزان بارندگی از غرب به شرق و شمال به جنوب است؛ همچنین تمرکز بارش بیشینه در دو ناحیة خزری و ستیغهای زاگرس از غرب تا جنوب غرب کشور است. کاهش بارندگی به سمت شرق کشور و آن هم به دلیل کاهش توان بارشی سامانههای بارانزاست. ارتفاعات، قدرتمندترین عامل در توزیع مکانی بارش کشور به شمار میآید (غیور و مسعودیان، 1375: 27- 60؛ مسعودیان، 1398: 10- 16؛ علیجانی، 1395: 20- 23؛ عساکره و سیفیپور، 1391: 15- 30). توجیه تنوع مکانی بارش براساس مجموع مختصات جغرافیایی- متغیرهای توپوگرافیک و با استفاده از شگرد شبکة عصبی مصنوعی برآورد شد. نتیجۀ این برآورد در شکل 3. ب ارائه شده است. آمارههای ارزیابی برای این مدل به شرح جدول 1 است:
شکل 3. الف. توزیع مکانی مجموع بارش سالیانة ایران، ب. مقادیر حاصل از برازش مدل شبکة عصبی مصنوعی و ج. خطای مدل برای دورۀ 1349-1394
Figure 3. a. Spatial distribution of Iran annual precipitation, b. the fitted values and c. the error of model for the period of 1970-2016
میزان خطای مدل جالب توجه است، اما از مقادیر ضریب همبستگی ارائهشده در جدول 1 میتوان استنباط کرد که الگوی توزیع مکانی بارش برآوردشده و بارش رخداده بسیار شبیه به هم است. این شباهت حدود 90 درصد (ضریب تعیین) و در سه ملاک (آموزش، ارزیابی و آزمون) قابل مشاهده است. برمبنای شکل 3.ج، خطای بیشبرآوردی در نواحی پرباران (ناحیة خزری، زاگرس، شمال غرب ایران و ارتفاعات کرمان) و خطای کمبرآوردی در حاشیههای این نواحی و بهطور پراکنده دیده میشود. با وجود این، عمدة نواحی کشور با خطاهای کممقدار قابل مشاهده هستند.
جدول 1. آمارههای نیکویی برازش شبکة عصبی مصنوعی بارش حاصل از مختصات جغرافیایی- عوامل توپوگرافیک
برای دورۀ 1349-1394
Table 1. Best fitting statistics of neural network of precipitation based on geographical coordinate and topographic factors for the period of 1970-2016
|
ضریب همبستگی |
|
||
آموزش |
ارزیابی |
آزمون |
|
|
951/0 |
947/0 |
951/0 |
3/88809 |
ضرایب مربوط به نرونهای هریک از متغیرهای ورودی در جدول 2 ارائه شده است. قدر مطلق این ضرایب نقش هریک از متغیرها در نرونهای دهگانه را در توجیه بارش نشان میدهد. علاوه بر قدر مطلق مقادیر، علامت آنها نیز جالب توجه است. میتوان دید که بیشترین نقش را بهترتیب طول جغرافیایی، عرض جغرافیایی و ارتفاع دارند. کمترین نقش در توجیه بارش را جهت شیب داشته است. میدانیم و در بالا نیز اشاره شد که ارتفاعات نقش عمدهای در توزیع مکانی بارش کشور دارند، اما به دلیل تمرکز ارتفاعات در نواحی غربی و نیز شمالی کشور، تأثیر ارتفاعات در ضرایب بهدستآمده که برای کل پهنه محاسبه شده است، جالب توجه به نظر نمیرسد. این نقش در ضرایب مربوط به طول جغرافیایی بازتاب یافته است.
جدول 2. ضرایب مربوط به نرونهای دهگانة مختصات جغرافیایی- متغیرهای توپوگرافیک مؤثر بر بارش
Table 2. The neuron's coefficients of geographic coordinate and topographic factors effecting precipitation
عرض جغرافیایی |
طول جغرافیایی |
ارتفاع |
شیب |
جهت شیب |
43/1 |
47/3- |
61/0 |
05/0- |
03/0 |
69/1 |
31/5 |
84/0 |
17/2- |
16/0- |
08/2- |
87/2 |
31/0- |
004/0 |
03/0- |
38/4 |
51/4 |
28/0 |
81/0- |
05/0- |
44/1 |
31/5 |
02/1 |
34/2- |
15/0- |
4/5- |
82/3- |
18/0- |
01/1 |
03/0 |
68/4- |
29/1 |
27/4 |
79/2- |
07/0 |
67/0- |
18/4 |
06/1- |
08/0 |
03/0- |
43/4 |
92/1 |
62/2- |
06/3 |
02/0- |
91/0 |
29/1 |
34/2- |
36/0- |
11/0- |
تغییرات دههای بارش و مدلسازی آن
شکل 4. الف توزیع مکانی بارش ایرانزمین، ب. ناهنجاری بارش نسبت به دورۀ 1349- 1394، ج. میزان بارش براساس مدل برازنده و نیز د. خطای مدل را برای چهار دهۀ بررسیشده نشان میدهد. مشخصات پهنهای بعضی از این ویژگیها در جدول 3 ارائه شدهاست.
جدول 3. ویژگیهای آماری بارش، ناهنجاری بارش و همبستگی بارش واقعی- برآوردشده مربوط به شکل 4
Table 3. Statistical features of precipitation, precipitation anomaly, and correlation coefficient of real precipitation- estimated precipitation for data of figure 4
|
... بارش |
... ناهنجاری بارش |
نسبت پهنه با ناهنجاری منفی |
ضریب همبستگی بارش و برآورد مدل |
||
میانگین |
انحراف معیار |
میانگین |
انحراف معیار |
|||
دهة اول 1364-1355 |
1/268 |
4/172 |
6/17 |
6/42 |
5/20 |
868/0 |
دهة دوم 1374-1365 |
9/271 |
8/180 |
4/21 |
1/38 |
4/22 |
869/0 |
دهة سوم 1384-1375 |
7/236 |
9/177 |
8/13- |
4/35 |
1/76 |
913/0 |
دهة چهارم 1394-1385 |
3/220 |
2/162 |
2/30- |
1/40 |
81 |
889/0 |
از شکل 4 و جدول 3 میتوان دریافت که از دهۀ اول (1364-1355) به سمت دهۀ چهارم (1394-1385) میانگین بارش کشور کاهش زیادی (از 1/268 به 3/220 میلیمتر) داشته است. در این میان دهۀ دوم (1374-1365) افزایشی نسبتاً زیاد را تجربه و روند عمومی کاهشی را مختل کرده است. انحراف معیار مکانی بارش نشان میدهد با کاهش میانگین بارش، تباین مکانی بارش کاهش مییافته است. مقایسة این آماره و ناهنجاری بارش دههها (شکل 4. ب) بر این واقعیت گواهی میدهد که کاهش میانگین بارندگی عمدتاً حاصل کاهش بارندگی در نواحی پربارش است. این ویژگی در پژوهش عساکره (1386) نیز مشاهده شده است. توجه کنید که در دو دهۀ انتهایی میانگین ناهنجاری بارش منفی بوده است. این امر گواهی بر تأثیرپذیری تمامی نواحی کشور (نواحی کمباران و پرباران) از روند کاهشی بارش است؛ به طوری که در دو دهة انتهایی به ترتیب 1/76 و 81 درصد از پهنۀ ایران بارشی کمتر از متوسط بارش دورۀ 1394-1349 دریافت داشته است. این مقادیر در قیاس با دو دهۀ اول (به ترتیب 5/20 و 4/22 درصد) بسیار شایان تأمل و توجه است.
میزان بارش حاصل از مدلهای برازشیافته در هریک از دههها در شکل 4. ج ارائه شده است. از این نقشهها و نیز ضریب همبستگی بین این نقشهها و نقشههای بارش واقعی (ستون آخر جدول 3) میتوان دریافت که تغییرات مکانی بارش با مدل برازشیافته از حداقل 75% (برای دهۀ اول) تا حدود 83% (برای دهۀ سوم) توجیهپذیر است. عموماً در دو دهۀ انتهایی که همزمان با کاهش بارش بوده، میزان همبستگی بهطور نسبی افزایش داشته است؛ بنابراین نقش عوامل مکانی در برآورد بارش در دهههای انتهایی افزایش داشته است. در شکل 4. د میتوان دید که عمدۀ خطاهای مدل در بخشهای پربارش کشور (عمدتاً در ارتفاعات زاگرس و سواحل خزر) رخ میداده است.
شکل 4. الف. توزیع مکانی بارش ایرانزمین، ب. ناهنجاری بارش نسبت به دورۀ 1349- 1394، ج. میزان بارش براساس مدل برازنده و د. خطای مدل برای چهار دهۀ بررسیشده
Figure 4. a. Spatial distribution of Iran precipitation, b. precipitation anomaly, c. model estimated precipitation, and d. the model error for the foure under study period
تغییرات دههای نقش عوامل مکانی
برای بررسی نقش مختصات جغرافیایی و عوامل توپوگرافی در دهههای مختلف و همزمان با وردایی بارش، شکلهای 5 و 6 ارائه شده است. شکل 5 تغییرات دههای ده نرون مربوط به ضرایب مختصات جغرافیایی (عرض و طول جغرافیایی) را نشان میدهد. شکل 5. الف تغییرات ضرایب ده نرون مربوط به عرض جغرافیایی را برای چهار دهۀ بررسیشده نشان میدهد. میتوان دید که هم الگو و هم مقادیر ضرایب برای سه دهۀ اول، سوم و چهارم مشابه بوده است. برای دهۀ اول، سوم و چهارم میانگین ضرایب بهترتیب تقریباً 3/1-، 3/0- و 1/2- بوده است. بهنظر میرسد نقش منفی عرض جغرافیایی به سمت دهۀ انتهایی افزایش مییابد. برای دهۀ دوم که با افزایش نسبی بارش همراه بوده، ضرایب با ضرایب بقیة دههها متفاوت بوده است. در این دهه جز برای نرون ششم و دهم (به ترتیب با ضرایب 7/99- و 5/304)، کمترین ضریب 2/4- و بیشترین آن حدود 5/5 بوده است. میانگین ضرایب نرونهای عرض جغرافیایی حدود 1/22 بوده است. ضرایب این دهه با ضریب تغییرات زیادی مواجه بودند.
شکل 5. ب نقش ضرایب طول جغرافیایی را در الگوی مکانی بارش ایران برای چهار دهۀ بررسیشده نشان میدهد. میانگین ضرایب ده نرون برای این عامل برای چهار دهه بهترتیب 76/1، 35/29، 91/0 و 19/1- بوده است. رفتار تقریباً قرینۀ ضرایب دهۀ اول و دهۀ آخر بهخوبی مشهود است، همچنان که نقش منحصربهفرد دهۀ دوم نمایان است؛ علاوه بر این قرینهبودن نسبی رفتار ضرایب برای ده نرون این دهه با دهۀ سوم نیز قابل مشاهده است.
شکل 5. ضرایب نرونهای دهگانۀ مختصات جغرافیایی برای مدلهای برازشیافته بر بارش چهار دهۀ بررسیشده
Figure 5. Neuron's coefficient of geographical coordinate for the fitted models on decadal precipitation
شکل 6 تغییرات دههای ده نرون مربوط به ضرایب عوامل توپوگرافیک (ارتفاع، شیب و جهت شیب) را نشان میدهد.
شکل 6. ضرایب نرونهای دهگانۀ عوامل توپوگرافی برای مدلهای برازشیافته بر بارش چهار دهۀ بررسیشده
Figure 6. Neuron's coefficient of topographic factors for the fitted models on decadal precipitation
شکل 6. الف تغییر ضرایب نرونها را برای چهار دهۀ مدنظر نشان میدهد. میانگین ضرایب نرونها در چهار دهه به ترتیب حدود 87/2-، 3/7-، 1/0 و 75/3 است. میتوان دید که ضرایب دهۀ اول پس از یک جهش به ثبات نسبی رسیده است. این جهش موجب شده است ضرایب این دهه پس از دهۀ دوم، بیشترین تغییرات را متحمل شود. دهۀ دوم با بیشترین تغییرات و نیز بزرگترین قدر مطلق ضرایب (منفی) مشخص میشود. کمترین ضرایب و نیز نوسانات نرون به نرون مربوط به دهۀ سوم است. دهۀ چهارم نیز پس از دهۀ سوم، کمترین ضرایب و کمترین تغییرپذیری را دارد.
تغییرات دههای ضرایب نرونهای دهگانۀ شیب در شکل 6. ب ارائه شده است. میانگین چهار دهه بهترتیب 29/2-، 91/29، 3/0 و 22/0- است. میتوان دید که بیشترین تغییرات ضرایب به ترتیب مربوط به دهۀ دوم، اول، چهارم و سوم است. الگوی تغییر ضرایب شیب تقریباً مشابه الگوهای ضرایب ارتفاع است. به نظر میرسد این دو عامل (ارتفاع و شیب) تغییرات بارش را بهطور مشابه متأثر میسازند؛ با وجود این میزان تأثیرگذاری (مقدار ضرایب) و جهت آن (علامت) برای این دو عامل بسیار متفاوت است.
شکل 6. ج تغییرات دههای ضرایب جهت شیب را برای نرونهای دهگانه نشان میدهد. میانگین برای این چهار دهه بهترتیب حدود 71/0-، 18/31، 34/0 و 83/2- است. میزان تغییرات دهۀ دوم همچنان بیشاز دهههای دیگر است و دهۀ اول در مرتبۀ بعد قرار دارد. دهۀ آخر مقام سوم را دارد؛ علاوه بر این میتوان دید که عموماً (بهجز در جهشهای انجامشده در نرونها) مقادیر حول صفر و نیز منفی بودهاند؛ بنابراین هرچند جهت شیب نقش زیادی در میزان بارش ندارد، متناسب با تغییرات بارش تغییر مییابد.
نتیجهگیری
تنوع عوامل مکانی (نظیر موقعیت جغرافیایی و ویژگیهای توپوگرافیک) موجبات تنوع مکانی عناصر اقلیمی ازجمله بارش را فراهم کرده است. همزمان با تغییرات زمانی بارش، عوامل مکانی نقشهای مختلفی ایفا میکنند؛ از این رو با وجود ثبات نسبی عوامل مکانی، میتوان استنباط کرد که این عوامل در بستر تغییرات بارش، نقشهای مختلف ایفا میکنند. بهمنظور ردیابی نقش موقعیت (مختصات جغرافیایی)- عوامل توپوگرافیک (ارتفاع، شیب و جهت شیب) در ارتباط با تغییرات بارش، از مدل شبکة عصبی مصنوعی استفاده شد. با هدف دستیابی به شبکهای با معماری و ساختار مناسب بهمنظور مدلسازی فضایی بارش ایران، متغیرهای مکانی منتخب (طول و عرض جغرافیایی، ارتفاع، شیب و جهت شیب) بهمثابة ورودی و بارش بهمثابة بردار هدف، به شبکه معرفی و تمام مراحل ساخت یک شبکة عصبی شامل انتخاب تعداد نرونها و لایههای پنهانی، وزندهی، تعیین تابع شبکهای، تقسیم دادهها، آموزش، راستیآزمایی و آزمون مدل اجرا شد. در تمام این روشها در مرحلۀ تقسیم دادهها، 70 درصد از کل ورودیها برای آموزش، 15 درصد برای راستیآزمایی و 15 درصد بهمنظور آزمون مدل در نظر گرفته شدند؛ سپس خروجی حاصل (مقادیر مدلسازیشده) از هر روش براساس ضریب همبستگی، میانگین مربعات خطا مقایسه شدند. این عملیات برای کل دورۀ آماری و برای چهار دهة منتهی به 1385- 1394 انجام شد.
یافتههای پژوهش در دو گروه به شرح زیر ارائه شد:
دامنة تأثیرگذاری عمومی طول جغرافیایی طی چهار دهۀ بررسیشده کاهش داشته و نیز از نمایهای مثبت به منفی تغییر یافته است. ضرایب مربوط به ارتفاع نیز متناسب با کاهش بارش کاهش مییابند؛ اما این رابطه خطی و کامل نیست. همچنین در دورههای پربارش، نقش این عامل عموماً با ضرایب منفی و در دورههای کمبارش بهصورت مثبت نشان داده شده است. این قضیه را میتوان به این واقعیت نسبت داد که در دورههای پربارش نواحی کمارتفاع نیز از بارشها سهم دارند و ارتفاعات تباین شدیدی با نواحی کمارتفاع ندارند؛ اما در دورههای کمبارش نواحی مرتفع اختلاف زیادی با نواحی کمارتفاع نشان میدهند که با ضرایب مثبت رخنمون مییابند. به نظر میرسد دو عامل ارتفاع و شیب، تغییرات بارش را بهطور مشابه، اما با میزان و جهت تأثیرگذاری (مقدار و علامت ضرایب) بسیار متفاوت متأثر میسازند. الگوی تغییر ضرایب شیب تقریباً مشابه الگوهای ضرایب ارتفاع است. به نظر میرسد این دو عامل (ارتفاع و شیب) تغییرات بارش را بهطور مشابهی متأثر میسازند؛ با وجود این، میزان تأثیرگذاری (مقدار ضرایب) و جهت (علامت) این دو عامل بسیار متفاوت هستند؛ بنابراین جهت شیب هرچند نقش زیادی در میزان بارش ندارد، متناسب با تغییرات بارش تغییر مییابد.
سپاسگزاری
نگارندگان این مقاله از تمامی کسانی که به هر شکل در این پژوهش آنها را یاری کردهاند، سپاسگزارند؛ بهویژه قدردانی خود را از زحمات جناب آقای دکتر کوهزاد رئیسپور ابراز و اعلام میدارند.
[1]. Artificial Neural Network
[2]. Digital Elevation Model
[3]. نرون (Neuron) واژهای یونانی به معنی سلول عصبی است. نرون واحد اساسی دستگاه عصبی بهویژه مغز و یک ترکیب بیوشیمی پیچیده و عامل اساسی واکاوی نشانگرهای (سیگنالهای) الکتریکی است. مجموعۀ شبکۀ (بههم پیوسته و پیچیدۀ) عصبی در بدن انسان از شمار بسیاری نرون عصبی زنده تشکیل شده است که خود با واسطۀ نرونها به هم وصل هستند. درواقع نرونها ساختاری از بافتها و فعل و انفعالات شیمیایی دارند. وظیفۀ نرونها، انتقال پیغام از محرکهای درونی یا بیرونی به مغز انسان است. بعضی از ساختارهای عصبی (نرونها) از همان ابتدای تولد تعریف میشوند و بعضی دیگر در طول زندگی با کسب تجربیات و با فرایند یادگیری شکل میگیرند، توسعه مییابند و وظایف خود را انجام میدهند. در شبکههای عصبی مصنوعی، گرههایی بین شبکهها وجود دارد که درحقیقت مدلی محاسباتی از نرونهای عصبی واقعی انسان است.
[4]. براساس اصل امساک (Law of Parsimony)، سادهترین توضیحی که قادر به توضیح اطلاعات علمی دردسترس است، بر سایر توضیحات پیچیدهتر برتری دارد؛ به بیان دیگر در میان مدلهای متعدد با توان توجیه یکسان، آن مدل که کمترین پیش فرضها و پیچیدگی را دارد، بر دیگر مدلها ارجح است.
[5]. Mean Squared Error
[6]. یادگیری (آموزش) به معنای آغاز برقراری یک ارتباط جدید بین نرونها یا تغییر ارتباط موجود است. درواقع یادگیری عبارت از ایجاد اتصالهای جدید یا قطعکردن بعضی اتصالات قدیمی است. قابلیت یادگیری نحوة انجام وظایف برپایة اطلاعات دادهشده برای تمرین و تجربههای مقدماتی از برتریهای شبکۀ عصبی مصنوعی است. مزیت اصلی استفاده از شبکة عصبی مصنوعی، قابلیت فوقالعادة شبکة عصبی در یادگیری و نیز پایداری شبکة عصبی درمقابل اغتشاشات است. محاسبات شبکة عصبی مصنوعی میتواند بهصورت موازی انجام شود. در شبکة عصبی مصنوعی ورودی به شکل اعداد حقیقی تعریف میشود. تنوع بسیار زیادی (بهلحاظ میزان و علامت وزنهای یک شبکة عصبی بهعنوان انتقالدهندۀ خروجی و بهلحاظ توابع آستانهگذاری نظیر ، تعداد گرههای ورودی و...) وجود دارد. به این دلیل شبکه با استفاده از قواعد و دادهها آموزش داده میشود و با استفاده از قابلیت یادگیری شبکه، الگوریتمهای متنوعی پیشنهاد میشود که همگی سعی در نزدیککردن خروجی تولیدشده با شبکه به خروجی ایدئال و مورد انتظار دارند. این کار با واسطۀ فرایندی با نام تنظیم وزن انجام میشود. تنظیم وزن به معنی انتخاب کارآمدترین شیوۀ آموزش و تلفیق آن با مناسبترین شبکۀ عصبی است. بهطورکلی آموزش فرایندی است که پس از تعدیل مناسب فراسنجهای شبکه پاسخ مطلوب را ارائه دهد. درواقع شبکه در فرایند آموزش، فراسنجهای خود (یعنی وزنهای سیناپسی) را در پاسخ به ورودی محرک تعدیل میکند؛ به نحوی که خروجی واقعی شبکه به خروجی مطلوب همگرا شود. هنگامی که خروجی واقعی همان خروجی مطلوب شود، آموزش شبکه خاتمه مییابد و به اصطلاح شبکه دانش را فراگرفته است. در شبکههای عصبی مصنوعی قوانین آموزش به شکل ریاضی بیان میشود که به «معادلات آموزش» موسوماند. معادلات آموزش، شیوة فراگیری شبکه (نحوة تبدیل وزنها) را بیان میدارد که برای هر شبکه منحصربهفرد است.
[7]. Train Network Algorithm Levenberg - Marquardt
[8]. Alpert et al.
[9]. Blender and Schubert
[10]. Bengtsson et al.
[11]. Flocas et al.
[12]. Geng and Sugi
[13]. Lionello and Elvini
[14]. Asakereh et al.