نوع مقاله : مقالات پژوهشی
نویسندگان
دانشگاه فردوسی مشهد
چکیده
شناسایی گروه های همگن هیدرولوژیک یکی از مباحث بنیادی هیدرولوژی در دو بعد کاربردی و تحقیقاتی است. یکی از روش های معمول به منظور دستیابی به مناطق همگن هیدرولوژیکی برای برآورد منطقه ای سیلاب، استفاده از روش های خوشه بندی است. چندین تحقیق از نگاشت ویژگی خود سامان (SOM) در این خصوص استفاده شده است. تفسیر نقشه خروجی مشکل اصلی این روش است. هدف از این تحقیق کاربرد روش خوشه بندی دو مرحله ای نگاشت ویژگی خود سامان و سلسله مراتبی وارد (Ward) به منظور تعیین مناطق همگن هیدرولوژیک در حوضه های آبخیز استان های خراسان شمالی و رضوی است. ابتدا ابعاد ماتریس ورودی SOM با تحیل مولفه ی اصلی کاهش یافت. سپس از SOM برای تشکیل نقشه ویژگی دو بعدی استفاده شد. پس از آن گره های خروجی SOM بمنظور تعیین مناطق همگن در تحلیل فراوانی سیلاب به عنوان ورودی برای روش وارد به کار رفت. سپس توسط آزمون ناهمگنی هاسکینگ و والیس، پنج منطقه که از لحاظ هیدرولوژیکی از یک فرآیند سیلاب پیروی می کردند، شناسایی شدند. نتایج نشان داد که روش ترکیبی نگاشت ویژگی خود سامان و سلسله مراتبی وارد با ورودی مولفه های اصلی به مراتب کاراتر از روش های سلسله مراتبی تنها با ورودی های استاندارد شده یا مولفه های اصلی، در دستیابی به مناطق همگن هیدرولوژیک است.
کلیدواژه‌ها
عنوان مقاله [English]
Using Hierarchical Clustering in Order to Increase Efficiency of Self-Organizing Feature Map to Identify Hydrological Homogeneous Regions for Flood Estimation
نویسندگان [English]
- F. Farsadnia
- B. Ghahreman
Ferdowsi University of Mashhad
چکیده [English]
Introduction: Hydrologic homogeneous group identification is considered both fundamental and applied research in hydrology. Clustering methods are among conventional methods to assess the hydrological homogeneous regions. Recently, Self Organizing feature Map (SOM) method has been applied in some studies. However, the main problem of this method is the interpretation on the output map of this approach. Therefore, SOM is used as input to other clustering algorithms. The aim of this study is to apply a two-level Self-Organizing feature map and Ward hierarchical clustering method to determine the hydrologic homogenous regions in North and Razavi Khorasan provinces.
Materials and Methods: SOM approximates the probability density function of input data through an unsupervised learning algorithm, and is not only an effective method for clustering, but also for the visualization and abstraction of complex data. The algorithm has properties of neighborhood preservation and local resolution of the input space proportional to the data distribution. A SOM consists of two layers: an input layer formed by a set of nodes and an output layer formed by nodes arranged in a two-dimensional grid. In this study we used SOM for visualization and clustering of watersheds based on physiographical data in North and Razavi Khorasan provinces. In the next step, SOM weight vectors were used to classify the units by Ward’s Agglomerative hierarchical clustering (Ward) methods. Ward’s algorithm is a frequently used technique for regionalization studies in hydrology and climatology. It is based on the assumption that if two clusters are merged, the resulting loss of information, or change in the value of objective function, will depend only on the relationship between the two merged clusters and not on the relationships with any other clusters. After the formation of clusters by SOM and Ward, the most frequently applied tests of regional homogeneity based on the theory of L-moments are used to compare and modify the clusters which are formed by clustering algorithms and find the best clustering method to achieve hydrologically homogeneous regions. Two statistical measures are used to form a homogeneous region, (i) discordancy measure and (ii) heterogeneity measure. The discordancy measure, Di, is used to find out unusual sites from the pooling group (i.e., the sites whose at-site sample L moments are markedly different from the other sites). Generally, any site with Di>3 is considered as discordant. The homogeneity of the region is evaluated using homogeneity measures which are based on sample L-moments (LCv, LCs and LCk), respectively. The homogeneity measures are based on the simulation of 500 homogeneous regions with population parameters equal to the regional average sample l-moment ratios. The value of the H-statistic indicates that the region under consideration is acceptably homogeneous when H
کلیدواژه‌ها [English]
- Principal component analysis
- Regional flood frequency analysis
- Hybrid clustering
- Linear moments
)
ارسال نظر در مورد این مقاله