منطقه بندی حوضه ی آبریز ارس با استفاده از نگاشت‌های خود سازمانده

نگاشت های خود سازمانده کوهونن گونه ای از شبکه های عصبی مصنوعی با توانایی ویژه در تشخیص الگو و خوشه بندی داده­ها با استفاده از ویژگی‌های آن­ها هستند. در این مطالعه، توانایی نگاشت­ های خود­سازمانده کوهونن در منطقه­ بندی حوضه­ی آبریز ارس به منظور اجرای تحلیل فراوانی منطقه­ ای سیلاب با استفاده از الگوریتم گشتاور­های خطی مورد بررسی قرار گرفته است. نتایج به دست آمده نشان داد که نگاشت­های خود­سازمانده می­توانند به عنوان ابزاری مفید در زمینه­ی خوشه­بندی داده­ها و منطقه­ بندی حوضه‌های آبریز به کار گرفته شوند. افزون بر این، براساس شاخص­ صحت خوشه­بندی، حالت 4 منطقه­ای از نظر کیفیت خوشه­بندی به عنوان حالت بهینه برای منطقه­بندی حوضه­ی آبریز ارس شناخته شد. همچنین بر اساس شاخص­ های نا­همگنی این حالت در کنار حالت 2 منطقه­ ای، برای اجرای تحلیل فراوانی منطقه­ ای سیلاب در حوضه ­ی آبریز ارس مناسب ارزیابی شدند. به علاوه، هنگامی که تعداد مناطق برابر 2 باشد، تشکیل مناطق بزرگ­تر امکان­پذیر خواهد بود.

Regionalization of Aras Watershed by SOFM

SelfOrganizing Feature Maps (SOFM) are a category of artificial neural networks with a special ability in pattern recognition and data clustering using attributes of data points. In this study, ability of Kohonen selforganizing feature maps has been assessed in regionalization of Aras watershed in order to perform regional flood frequency analysis. Results showed SOFM can be used as an efficient tool for data clustering and regionalization of watersheds. Furthermore the results showed that the cluster validity measure is equal to optimum value for regionalization of Aras watershed, when the number of regions is equal to 4. Also heterogeneity measures are equal to optimum values, when number of regions is equal to 2 or 4. However, when number of regions is equal to 2, largest regions can be formed.