مقایسه عملکرد الگوریتم ICA و حالت ترکیب شده آن با فازی (FUZZY-ICA) در پیش‌بینی بارش روزانه

نوع مقاله: مقاله تحقیقی‌ (پژوهشی‌)

نویسندگان

دانشکده کشاورزی، دانشگاه شهید باهنر، کرمان

چکیده

پیش‌بینی بارش به دلیل عدم قطعیت بالای تخمین آن، امری مشکل می‌باشد. در این پژوهش، از الگوریتم ICA و ترکیب آن با استنتاج فازی (FUZZY-ICA) برای بررسی توانایی و مقایسه عملکرد آنها در پیشبینی بارش روزانه یک اقلیم نیمه‌خشک مانند کرمان استفاده شد. برای این منظور، از 30 سال داده روزانه ایستگاه همدیدی کرمان (1981-2010) و 10 سال داده روزانه ایستگاههای همدیدی رفسنجان و زرند(2010-2001) در فصول بارش (7ماه از سال) و پنج متغیر بارش، دمای تر، نقطه شبنم، ابرناکی و نم (رطوبت) نسبی استفاده شد. کدهای مورداستفاده در نرم‌افزار Matlab14 نوشته شد که در حالت ترکیبی، الگوریتم ICA برای تعیین بازه‌های توابع عضویت، قواعد نهایی و مقادیر وزن‌ها به جای استفاده از سعی‌وخطا در فازی، به کار گرفته شد. نتایج نشان داد که پیشبینی وقوع یا عدم وقوع بارش نسبت به پیش‌بینی ارتفاع آن با روش‌های ذکرشده، نتایج قابل قبول‌تری را ارائه می‌کند و روش ترکیبی FUZZY-ICA با پیش‌بینی صحیح حالت 31/82 ، 63/89 و 12/74 درصد از روزها به ترتیب در ایستگاه‌های کرمان، رفسنجان و زرند نسبت به پیش‌بینی حالت9/51 ، 4/61 و 2/51 درصد از روزها در استفاده از الگوریتم،ICA از دقت بیشتری در کنار سرعت مناسب‌تر آن برخوردار است.

کلیدواژه‌ها


عنوان مقاله [English]

Comparing the performance of the imperialist competitive algorithm (ICA) and the combination of ICA with fuzzy logic system in daily precipitation forecasting

نویسندگان [English]

  • Amir-Mohammad Rokhshad
  • Bahram Bakhtiari
  • Kurosh Qaderi
چکیده [English]

Rain is one of the most important climatic factors affecting human activities which has also an important role in the field of water resources management. This weather phenomenon is a complex atmospheric process, which is highly dependent on space and time and thus not easy to predict. The trends of change in rainfall with time is a non-stationary stochastic process with high uncertainty and it is subject to various random factors. There have been many attempts to find the most appropriate method for rainfall prediction using for example meteorological or satellite data with a numerical weather prediction model, or even applying several techniques such as the artificial neural network or fuzzy logic as a forecasting approach. Also some methods, such as the time sequence method, probability statistics method cannot fully reflect the characteristics of the rainfall phenomenon, and the prediction results cannot be satisfactory. In order to improve the accuracy of rainfall forecasts, it is necessary to use a new rainfall prediction model such as intelligent methods and meta-heuristic algorithms. In this study, the “imperialist competitive algorithm” (ICA for brevity) and the ICA combined with the fuzzy logic algorithm were used to evaluate and compare their performance and ability in forecasting the amount of daily rainfall in semi-arid climate of Kerman in the southeast of Iran. So, 30 years of daily data in Kerman’s synoptic station (1981– 2010) and 10 years of daily data in Zarand and Rafsanjan’s synoptic stations (2001–2010) were used in the rainy season (7 months of the year). Therefore, based on the previous studies, five parameters including precipitation, wet temperature, dew point, relative humidity and cloudiness were used to forecast rainfall in futures days. Having surveyed the data, first the applied computer codes were written in Matlab 14. In the ICA with fuzzy logic, the ICA was used for determining the membership functions’ ranges and values of the weights instead of the trial and error usually used in application of the fuzzy logic. Three higher accurate outputs were identified for each station separately. Among these outputs, for each station, the best output was chosen and used for the final phase of optimization. Four more effective variables in Kerman’s station (precipitation, wet temperature, dew point, and cloudiness), two more effective variables in Rafsanjan’s station (precipitation and cloudiness) and three more effective variables in Zarand’s station (precipitation, wet temperature, and relative humidity) were identified after optimizing with five input variables. Results showed that the rainfall height’s prediction was accompanied with a significant error based on the mentioned methods, so that the coefficients of determination (R2 values) were obtained 0.54, 0.44 and 0.40 in, respectively, Kerman, Rafsanjan and Zarand’s synoptic stations. On the other hand, the forecast of the occurrence and non-occurrence of the rainfall with the ICA indicated reasonable results and in the best results 61.4%, 51.9% and 51.2% of days were predicted correctly in, respectively, Kerman, Rafsanjan and Zarand’s synoptic stations. The accuracy of calculations was improved with the ICA combined with the fuzzy logic. Accordingly, 89.63%, 82.31% and 74.12% of days were predicted correctly in, respectively, Kerman, Rafsanjan and Zarand’s synoptic stations. The results of evaluating the performance showed that the ICA can produce a relatively appropriate simulation of the occurrence and non-occurrence of rainfall in future days, but falls short of ability to simulate the rainfall height properly. On the other hand, the combined ICA and fuzzy logic algorithm provides a better simulation of problems involving high uncertainty.

کلیدواژه‌ها [English]

  • Forecasting
  • Precipitation
  • imperialist competition algorithm
  • Fuzzy logic
  • Kerman station
  • Zarand station
  • Rafsanjan station
ابراهیمی، ر.، زهرایی، ب. و ناصری، م.،1389، پیش‌بینی میان‌مدت خشکسالی هواشناسی با استفاده از روش استنتاج فازی: مجله آب و فاضلاب، شماره ،78ص .112-125
ثامنی، م. و خان‌تیموری، ع.، 1390، بررسی عوامل مؤثر در پدیده بارندگی و میزان تأثیر هرکدام از آنها با استفاده از شبکههای بیزین: اولین اجلاس ملی فناوری اطلاعات و جهاد اقتصادی، دانشگاه سلمان فارسی، کازرون.
خلیلی، ن.، خداشناس، س. و داوری، ک.،1385، پیش‌بینی بارش با استفاده از شبکه‌های عصبی مصنوعی: دومین کنفرانس مدیریت منابع آب، دانشگاه صنعتی اصفهان.
عراقی‌نژاد، ش.، مروتی، ر. و حسینی موغاری، م.،1392، بررسی عملکرد الگوریتم رقابت استعماری در بهره‌برداری بهینه از مخزن: اولین همایش ملی بحران آب، دانشگاه آزاد اسلامی واحد خوراسگان.
فلاح قالهری، غ.، وحیدیان کامیاد، ع.، موسوی بایگی، م.، و حبیبی، م.، 1385، کاربرد سیستم استنباط فازی- عصبی تطبیقی ) (ANFISو سیستم استنباط فازی ممدانی در پیشبینی بارش سالانه: اولین کنگره مشترک سیستمهای فازی و سیستمهای هوشمند، دانشگاه فردوسی، مشهد.
کارآموز، م.، 1384، پیش‌بینی درازمدت بارش با استفاده از سیگنال‌های هواشناسی: پروژه شماره 342 سازمان هواشناسی کشور.
محمدیان، ه.، و کینیا، ف.، 1391، یک استراتژی هیبرید برای پیش‌بینی کوتاه‌مدت سرعت باد توسط ترکیب الگوریتم رقابت استعماری (ICA) با شبکه عصبی پرسپترون چندلایه: مجموعه مقالات دومین همایش ملی انرژی باد و خورشید، تهران.
میرموسوی، ح.، و زهرهوندی، ح.، 1390 مدلسازی احتمالات بارش هفته‌ای جهت تحلیل روزهای خشک متوالی (نمونه موردی: ایستگاه هواشناسی نهاوند، استان همدان) : دومین اجلاس ملی پژوهش‌های کاربردی منابع آب ایران، شرکت آب منطقه‌ای زنجان.
Carrano, L. A., Taylor, B. J., Robert, E. Y., Richard, L. L., Daniel, E. S., 2004, Fuzzy knowledge-based modeling and regression in abrasive wood machining: For. Prod. J., 54 (5), 66–72.
Chuan, C. S., 1997, Weather prediction using artificial neural network: J. Hydrol., 230, 101-119.
Crowell, K., 2005, Precipitation Prediction Using Artificial Neural Networks: M.Sc. Thesis, University of Georgia, USA, 1–4.
Dash, P. R., 2012, A Markov chain modelling of daily precipitation occurrences of Odisha: International J. Advanced Computer and Mathematical Sciences, 3(4), 482–486.
Duan, H., Xu, C., Liu, S., and Shao, S., 2009, Template matching using chaotic imperialist competitive algorithm: Pattern Recognition Letters, 39(6), 1362–1381.
Halid, H. and Ridd, P., 1999, Modeling interannual variation of a local rainfall data using a fuzzy logic technique: Proceeding of International Forum on Climate Prediction, James Cook University, Australia, 166–170.
Hung, N. Q., Babel, M. S., Weesakul, S., Tripathi, N. K., 2008, An artificial neural network model for rainfall forecasting in Bankok, Thailand: J. Hydrol. Earth Syst. Sci., 13, 1413–1425.
Shao, J., 2000, Fuzzy categorization of weather conditions for thermal mapping: J. Appl. Meteorol., 39, 1784–1790.
Wong, K. W., Wong, P. M., Gedeon, T. D., Fung, C. C., 2003, Rainfall prediction model using soft computing technique: A Fusion of Foundations, Methodologies and Applications, 7(6), 1432–7643.