بررسی عملکرد شبکه ‏های عصبی گازی در خوشه بندی هیدرولوژیک

طراحی بسیاری از زیرساخت ‏ها و پروژه ‏های عمرانی نیازمند مطالعات گسترده‏ ای در زمینه شرایط جغرافیایی منطقه و ویژگی‏ های اقلیمی آن ناحیه می ‏باشد. کارایی این پژوهش ها خود وابسته به اطلاعات و داده‏ های موردنیاز است. در بسیاری از مواقع منطقه طرح در موقعیتی قرار دارد که هیچ گونه اطلاعات اقلیمی مانند بارش موجود نیست. از این رو، تحلیل فراوانی منطقه ‏ای بسیار موردتوجه قرار گرفته است. در این شیوه با شرایط و ابزار خاصی اطلاعات موجود در نواحی دیگر قابل بسط و انتقال به سایر نواحی می‏ شود. در این مسیر خوشه‏ بندی یکی از تاثیرگذارترین مراحل می‏ باشد که منطقه و ایستگاه ‏های موجود را به مناطق همگن هیدرولوژیک تقسیم می ‏نماید. از این رو، در این پژوهش علاوه بر روش‏های رایج در خوشه‏ بندی از دو مدل جدید شبکه عصبی گازی و شبکه عصبی گازی رشدیابنده به منظور تعیین مناطق همگن در سطح استان خوزستان استفاده شد. یکی از ویژگی های منحصربه فرد این الگوریتم‏ ها یادگیری توپولوژی یا شکل توزیع حاکم بر فضای داده ها می باشد. با استفاده از متغیرهای طول جغرافیایی، عرض جغرافیایی، ارتفاع، متوسط بارش سالانه و حداکثر بارش 24 ساعته سالانه ایستگاه، منطقه طرح به دو ناحیه همگن تقسیم و فرایند خوشه‏ بندی انجام پذیرفت. نتایج نشان‏ دهنده کارایی و دقت بالای شبکه ‏های عصبی گازی در مبحث خوشه‏ بندی می ‏باشد. متوسط میزان خطا و هم چنین ضریب تغییرات خطا در این مدل به ترتیب 56/15 و 39/24 درصد برآورد شد که نسبت به روش‏ های معمول برتری قابل توجهی از خود نشان داد.