پیش بینی آسیب پذیری آلودگی نفتی در خلیج فارس با استفاده از روش های هوش محاسباتی در محیط GIS (مقاله پژوهشی دانشگاه آزاد)
درجه علمی: علمی-پژوهشی (دانشگاه آزاد)
آرشیو
چکیده
خلیج فارس بخش قابل توجهی از ذخایرنفتی جهان را شامل می شود و عموما آلودگی نفتی یکی از اصلی ترین آلودگی های این منطقه به شمار می رود. اولین گام جهت کنترل و پیشگیری از آلودگی های نفتی، تعیین میزان درجه حساسیت مناطق ساحلی به این نوع آلودگی است. پژوهش حاضر به منظور پیش بینی آسیب پذیری آلودگی نفتی در خلیج فارس می باشد. لذا در این تحقیق به منظور تعیین مناطق پر ریسک آسیب پذیر نفتی در محدوده خلیج فارس معیارهای موثر ازجمله لوله های انتقال نفت، سکوهای نفتی، مسیر عبور و مرور کشتی ها، بنادر، فلزات سنگین، نوسانات تراز سطح آب، بارندگی، جریانات دریایی، آلودگی هوا و بادهای موسمی مورد استفاده قرار گرفت. نوآوری تحقیق حاضر ارائه یک رویکرد ترکیبی جدید جهت تعیین معیارهای مؤثر آسیب پذیری خلیج فارس می باشد. در این راستا از ترکیب رگرسیون وزن دار جغرافیایی (هسته های گوسین و مکعبی سه گانه) و الگوریتم بهینه سازی ازدحام ذرات گسسته استفاده گردید. روش ترکیبی با دو خواص منحصر به فرد داده های مکانی یعنی خودهمبستگی مکانی و ناایستایی مکانی سازگار است و برای مسائل رگرسیون مکانی مناسب است. مقادیر R2 و RMSE حاصل از روش GWR با هسته مکعبی سه گانه به ترتیب 9971/0 و 2142/0 به دست آمد که نشان دهنده سازگاری بالای هسته مکعبی سه گانه نسبت به هسته گوسین است. هم چنین نتایج بدست آمده نشان می دهد که لوله های انتقال نفت، سکوهای نفتی و مسیر عبور و مرور نفتکش ها بیشترین تاثیر را در آسیب پذیری خلیج فارس دارند.Predicting the vulnerability of oil spill in the Persian Gulf using artificial intelligence methods in the GIS
The Persian Gulf contains a significant part of the world's oil reserves. Generally, oil spill is one of the main pollutions in this region. Determining the degree of sensitivity of coastal areas to this type of pollution is the first step to control and prevent oil pollution. The aim of this research is to predict the vulnerability of oil spill in the Persian Gulf. Therefore, in this research the criteria of oil pipelines, oil platforms, shipping lanes, ports, heavy metals, water level fluctuations, rainfall, sea currents, air pollution and monsoons were used to determine the high-risk areas vulnerable to oil in the Persian Gulf. The innovation of the current research is to provide a new hybrid approach to determine the effective vulnerability criteria of the Persian Gulf. In this regard, the combination of geographic weighted regression (Gaussian and triple cubic kernels) and particle swarm optimization algorithm were used. The proposed hybrid method is suitable for spatial regression problems because it is compatible with two unique properties of spatial data, namely spatial autocorrelation and spatial non-stationary. The values of R2 and RMSE obtained from the GWR method with the triple cube kernel were 0.9971 and 0.2142, respectively, which indicates the high consistency of the triple cube kernel compared to the Gaussian kernel. Also, the obtained results showed that oil transfer pipes, oil platforms and the passage of oil tankers have a significant impact on the vulnerability of the Persian Gulf.
تبلیغات
