تعریف مناطق همگن هیدرولوژیکی یک مسئله مهم در تجزیه و تحلیل فرکانس هیدرولوژیکی منطقه ای است. در این نوشته، کاربرد شبکه عصبی گازی (GNG) برای خوشه بندی داده های هیدرولوژیکی ارائه شده است. GNG یک شبکه عصبی افزایشی و بدون نظارت است که قادر است ساختار آن در طول دوره آموزشی بدون نیاز به استفاده از اطلاعاتی از اندازه و شکل شبکه شکل پذیرد و تغییر یابد. در الگوریتم GNG یا شبکه عصبی گازی حداقل طول توصیف (MDL) به عنوان شاخص اعتبار خوشه برای تعیین تعداد مطلوب خوشه ها (زیرمحدودات) مورد استفاده قرار می گیرد. برای رسیدن به این هدف ابتدا یک روش خوشه بندی برای تشکیل زیرموجودی ها اعمال می شود و سپس برای اندازه گیری درجه ناهمگونی مناطق فرعی استفاده از روش ناهمگونی استفاده می شود.
تجزیه و تحلیل فرکانس منطقه ای (RFA) معمولا برای رفع محدودیت های روش های برآورد آماری محلی به علت عدم دسترسی یا طول کوتاه سری داده ها در هیدرولوژی استفاده می شود. اطلاعات به دست آمده بر اساس RFA ارزشمندتر، انعطاف پذیرتر و دقیق تر از تجزیه و تحلیل تک نقطه ای است. RFA معمولا دو مرحله دارد: تعریف مناطق همگن هیدرولوژیکی و برآورد متغیرهای هیدرولوژیکی در هر منطقه.
در مرحله اول، پیچیده ترین و مهم ترین مناطق می توانند براساس روش خوشه بندی ساخته شوند و سپس با اندازه گیری ناهمگن آزموده شوند. الگوریتم خوشه بندی برای جمع آوری اشیاء به مجموعه ای از گروه های خاص با حداکثر شباهت بین اعضا استفاده می شود. تعداد زیادی از تکنیک های خوشه بندی در دسترس هستند، از جمله محبوب ترین تجزیه و تحلیل مولفه اصلی (PCA) شامل موارد زیر هستند.
GNG
Ward
K-means
Fuzzy c-means
(Self-organize map (SOM
هیچ توافقی میان محققان در مورد برتر بودن روش خاصی وجود ندارد. اکثر الگوریتم های خوشه بندی در برخورد با مجموعه داده های با ابعاد بزرگ و شکل های نامنظم خوشه ها مشکل دارند. به دلیل شکل های مختلف مناطق و اثرات ویژگی های مربوط به حوزه های مختلف، که در منطقه بندی هیدرولوژیکی اجتناب ناپذیر است، انتخاب بهترین روش مهم است.
الگوریتم GNG یا شبکه رشد عصبی گازی ، که بر اساس شبکه های عصبی مصنوعی نظارت نشده بنا شده است، ابتدا توسط Fritzke 1995 معرفی شد. شبکه GNG ( شبکه عصبی گازی ) یک الگوریتم خوشه ای است که به طور پیوسته کار می کند، یعنی تعداد نورون ها طی دوره آموزشی بدون استفاده از دانش قبلی درباره ساختار الگوهای ورودی افزایش می یابد. بر خلاف الگوریتم های خوشه بندی کلاسیک، الگوریتم GNG ( شبکه عصبی گازی ) دارای یک ساختار شبکه سازگار است که آن برای یادگیری توپولوژی مجموعه داده‌های با ابعاد بزرگ مناسب است.
ایده اصلی شبکه GNG این است که به طور پیوسته گره های جدید (نورون ها) را به یک شبکه ابتدا کوچک در یک ساختار در حال رشد اضافه کنیم. در GNG، نورون های شبکه برای تعیین بیشترین شباهت به مجموعه داده ورودی رقابت می کنند.
طبق بررسی ها انجام شده این روش خوشه بندی در مطالعات آبی نزیر خوشه بندی در آب زیرزمینی تا به حال انجام نپذیرفته است و می تواند یک موضوع بسیار خوب برای پژوهش باشد و می توان نتایج آن را با سایر روش ها مانند SOM مقایسه کرد.
