Journal of Geomatics Science and Technology

fa پیش‌بینی مکانی- زمانی بارش ماهانه‌ با استفاده از شبکه‌ی باور عمیق (مورد مطالعاتی: منطقه شمال غرب ایران) Spatio-Temporal Prediction of Monthly Rainfall using Deep Neural Network: A Case Study in North-west Iran سامانه های اطلاعات مکانی GIS پژوهشي Research در جهان امروز، توسعه‌ی سریع، همه‌جانبه و پایدار، هدف اصلی تمامی کشورها از جمله ایران می‌باشد. اصلی‌ترین محدودیت پیش روی توسعه‌ی پایدار، وضعیت اقلیمی و شرایط محیط زیستی کشورها است. از جمله‌ی مهم‌ترین محدودیتهای اقلیمی در کشور ایران، بارش ناکافی همراه با پراکندگی نامناسب مکانی- زمانی است. هدف اصلی این تحقیق، پیش‌بینی ماهانه‌ی میزان بارش در منطقه‌ی شمال غربی ایران با استفاده از روشهای یادگیری ماشین شبکه‌ی عصبی کم عمق و شبکه‌ی باور عمیق و همچنین تهیهی نقشه‌ی پیش‌بینی توزیع مکانی- زمانی آن در منطقه‌ی مطالعاتی می‌باشد. در این تحقیق از داده‌های بارش به همراه سایر داده‌های محیطی و هواشناسی، ازابتدای سال 1951 تا پایان سال 2014 استفاده شده است. ارتفاع و مختصات ایستگاه‌های هواشناسی نیز به عنوان پارامتر توپوگرافی از مدل رقومی ارتفاعی بدست آمد. همچنین به منظور انجام پژوهشی جامع و افزایش دقت نتایج، از داده‌های بزرگ مقیاس اقلیمی در کنار سایر داده‌ها بهره برده شده است. وجود پارامترهای متنوع محیطی، توپوگرافی و اقلیمی اثر گذار بر پدیدهی بارش، سبب شده است که در این تحقیق با کلان داده‌های مکانی- زمانی مواجه باشیم. در این پژوهش ابتدا دادههای مورد نیاز جمعآوری شد و بعد ازآمادهسازی در پایگاه دادهی غیر رابطهای کاساندرا ذخیرهسازی گردید. در گام بعدی دو شبکه‌ی عصبی کم عمق و شبکه‌ی باور عمیق پیاده‌سازی شد و آموزش، تست و پیش‌بینی با هر دو مدل صورت پذیرفت و نقشه‌ی پیش‌بینی توزیع مکانی- زمانی بارشِ هر دو شبکه برای دوازده ماه سال 2014 تهیه گردید. مقایسهی مقدار بارش ماهانهی به وقوع پیوسته با میزان بارش ماهانهی پیشبینی شده توسط شبکهی عصبی کم عمق و شبکهی باور عمیق نشان داد که شبکهی باور عمیق از توانایی بیشتری در مواجه با کلان دادههای مکانی- زمانی و حل پیچیدگیهای مسالهی پیشبینی بارش برخوردار است. همچنین در این تحقیق از معیارهای Accuracy، Precision، Recall و F1 score جهت ارزیابی عملکرد روش‌های پیشنهادی استفاده شد. نتایج نشان داد که مقادیر Accuracy برای شبکهی عصبی کم عمق و شبکه‌ی باور عمیق به ترتیب برابر 67/0 و 71/0، مقادیر Precision به ترتیب 69/0 و 69/0، مقادیر Recall به ترتیب 7/0 و 8/0 و مقادیر F1 score به ترتیب 69/0 و 74/0 میباشد. In today’s world, rapid and sustainable development is on the top of all countries agenda, including Iran. The major obstacles of sustainable development are climate and environmental conditions. One of the most important climatic constraint in Iran is insufficient rainfall. In addition to world water restrictions, Iran has approximately one third of the average global precipitation. Also the spatial distribution of rainfall due to natural conditions is very heterogeneous and temporal distribution of rainfall as well as the spatial distribution shows a similar trend. For these reasons, the water crisis has become a national predicament. In addition Floods and Droughts are the two faces of the same coin. Over the last few years, the overwhelming majority of disasters have been caused by floods in Iran. So Iran is amongst the few countries that is facing floods and drought simultaneously. Hence, long-term meteorological forecasting is of prime importance and plays a significant role in water resource management and sustainable development. This study presents an approach to forecast the monthly rainfall of north-western part of Iran and produce the spatio-temporal prediction maps in the study area. In this research, precipitation data along with environmental and meteorological information such as minimum monthly temperature, maximum monthly temperature, average monthly temperature, maximum wind speed and mean monthly wind speed from 1950 to 2014 were considered as affecting input parameters. Additionally, topographic parameters, elevation, latitude and longitude were computed from Digital Elevation Mode (DEM). In order to increase the prediction accuracy, large-scale climate data such as North Atlantic Oscillation (NAO), Antarctic Oscillation (AO), Extreme Eastern Tropical Pacific SST (Nino 1+2), Eastern Tropical Pacific SST (Nino 3), Central Tropical Pacific SST (Nino 4) and East Central Tropical Pacific SST (Nino 3.4), is used along with other environmental and topographical data. Considering the diversity of sources along with amount of the input data, we were facing challenges involving big data storage and processing. Hence for data storage, Cassandra as a NoSQL database was used. The two  main reasons to choose a No SQL database are robust and reliable architecture and providing a mechanism for storage and retrieval of data. Then, shallow artificial neural network and deep belief network as two branches of machine learning were trained and tested. Forecasted precipitation maps for twelve’s months of the 2014 were produced afterward using both shallow neural network and deep belief network. In order to evaluate and compare the performances of the networks, four criteria, including accuracy, precision, recall and f1 score, were used. The comparison between monthly precipitation forecast and measured precipitation shows that deep belief network is capable of handling very large spatial-temporal data sets and is also able to solve the complexities of forecasting precipitation. The results indicate that the accuracy of shallow and deep neural networks were 0.67 and 0.71, the precision were 0.69 and 0.69, the recall were 0.7 and 0.8 and the f1 score were 0.69 and 0.74, respectively. پیش‌بینی ماهانه ی بارش, سامانه‌ی اطلاعات مکانی, کلان داده, توزیع مکانی- زمانی, شبکه‌ی عصبی کم عمق, شبکه‌ی باور عمیق Monthly Rainfall Prediction, Geospatial Information System, Big Data, Spatio-Temporal Distribution, Shallow Neural Network, Deep Neural Network 123 142 http://jgst.issgeac.ir/browse.php?a_code=A-10-548-2&slc_lang=fa&sid=1 M. Farnaghi مهدی فرنقی farnaghi@kntu.ac.ir 10031947532846005234 10031947532846005234 Yes بدون سازمان H. Rahimi هاجر رحیمی rahimi.hjr@gmail.com 10031947532846005235 10031947532846005235 No بدون سازمان