مقاله ارزیابی دقت روش های هوشمند (M۵ وANFIS) و آنالیز حساسیت تبخیر-تعرق مرجع روزانه به پارامترهای هواشناسی (مطالعه موردی: ایستگاه سینوپتیک طالقان )

word قابل ویرایش
17 صفحه
دسته : اطلاعیه ها
12700 تومان
127,000 ریال – خرید و دانلود

*** این فایل شامل تعدادی فرمول می باشد و در سایت قابل نمایش نیست ***

ارزیابی دقت روش های هوشمند (M۵ وANFIS) و آنالیز حساسیت تبخیر-تعرق مرجع روزانه به پارامترهای هواشناسی (مطالعه موردی: ایستگاه سینوپتیک طالقان )

در این مطالعه از دو روش مبتنی بر هوش مصنوعی شامل مدل درختی (M5) و سیستم استنتاج تطبیقی عصبی -فازی (ANFIS) برای مدل سازی تبخیر-تعرق مرجع (ETo)استفاده گردید. به این منظور جهت برآوردی دقیق از مقدار تبخیر- تعرق مرجع روزانه در منطقه طالقان استان البرز ابتدا براساس روش استاندارد و متداول فائو پنمن – مانتیث و داده های هواشناسی ایستگاه سینوپتیک طالقان مقدار تبخیر-تعرق مرجع روزانه محاسبه شد سپس با ارائه ترکیب های مختلفی از پارامترهای هواشناسی ،شامل دمای حداقل و حداکثر هوا، رطوبت نسبی هوا، ساعات آفتابی و سرعت باد در مقیاس روزانه طی سال های ٢٠٠٩ تا ٢٠١٣، به عنوان ورودی مدل های هوشمند سعی در برآورد دقیق تری از تبخیر-تعرق مرجع روزانه به عنوان خروجی مدل هاشده است . با استفاده از شاخص های آماری ضریب تبیین (R2)، جذر میانگین مربع خطا (RMSE) و میانگین قدر مطلق خطا (MAE) نسبت به انتخاب برترین مدل و ترکیب متغییرهای اقلیمی اقدام گردید.شاخص های آماری R2،RMSE وMAE، برای مدل M۵ با ترکیب کامل متغیرهای اقلیمی به ترتیب ٠.٩۶٩، ٠.٣٨١ و ٠.٣٠٢ وبرای مدل ANFIS با ترکیب کامل متغیرهای اقلیمی به ترتیب ٠.٩٨٣، ٠.٢٨۴و ٠.٠٨٠ محاسبه شد. طبق نتایج ترکیب کامل متغیرهای اقلیمی در هر دو مدل دارای بالاترین مقدار ضریب تبیین ، کم ترین میزان خطا ودقیق ترین پیش بینی تبخیر-تعرق مرجع روزانه میباشند. همچنین نتایج نشان داد که سیستم استنتاج تطبیقی عصبی -فازی با اختلاف کمی نسبت به مدل درختی ، پیش بینی دقیق تری از تبخیر-تعرق مرجع روزانه ارائه می کند. ولی مدل درختی M۵ به لحاظ سادگی، قابل فهم بودن و ارائه روابط خطی ساده میتواند به عنوان یک روش جایگزین مطرح گردد.
کلمات کلیدی: تبخیر-تعرق مرجع ، سیستم استنتاج تطبیقی عصبی -فازی ،طالقان ، مدل درختی

مقدمه
در پروژه های بزرگ منابع آب و کشاورزی به خصوص در اقلیم های خشک و نیمه خشک تعیین آب مصرفی گیاهان از مسایل عمده و اساسی به شمارمی رود (١٨).همچنین یکی از راههای کاهش تلفات آب در مزارع ، برنامه ریزی صحیح آبیاری میباشد که اساس آن ، برآورددقیق نیاز آبی گیاهان و در نتیجه تبخیر-تعرق گیاه مرجع می باشد(٢٨).اندازه گیری مستقیم این پارامتر به وسیله لایسیمتر با دقت زیادی تعیین میشود، ولی به دلیل هزینه زیاد خرید آن و آزمایش های زمان بر از معادلات و روابط مبتنی بر داده های هواشناسی استفاده می شود (١۵).تاکنون روش های زیادی مبتنی بر داده های هواشناسی برای محاسبه تبخیر-تعرق گیاه مرجع (ETo)در شرایط اقلیمی و جغرافیایی متفاوت عرضه شده است . از میان این روش ها، روش پنمن – مانتیث فائو ۵۶(۵۶-PMF)، به منزله روش استاندارد برآورد ETo معرفی شده است (٢). اهمیت و مقبولیت این روش تا اندازه ای است که در شرایط عدم دسترسی به داده های لایسیمتری، در مطالعات انجام شده در اقلیم های گوناگون ، دقت سایر روش ها را نسبت به آن می سنجند (٢٨). در سال های اخیر استفاده از مدل های هوشمند در زمینه مسائل مهندسی آب با استقبال خوبی از سوی پژوهشگران مواجه شده است .در همین زمینه تخمین تبخیر-تعرق مرجع به وسیله روش های داده کاوی به تواتر انجام پذیرفته است (٨).از جمله این مدل ها، شبکه های تصمیم گیری درختی و سیستم استنتاج تطبیقی عصبی -فازی است که در سایر علوم مهندسی کاربرد زیادی پیدا کرده است . مدل درختی M۵ از زیربخش های روش های موسوم به داده کاوی میباشد که با ارائه روابط خطی ساده و قابل فهم ، توانایی پیش بینی مقادیر تبخیر-تعرق مرجع با استفاده از داده های هواشناسی را دارد. داده کاوی به عنوان روش های مبتنی بر داده و الگوریتم یادگیری ماشینی با بهره گیری از داده های ثبت شده به کشف نیمه اتوماتیک روابط و الگوهای پنهان در داخل داده ها می پردازد. روش M۵ بر مبنای روش های رگرسیون خطی در زمینه های مختلف مهندسی آب مورد استفاده محققین قرار گرفته است (٢٢).در سال های اخیر مدل درختی M۵ در مطالعات هیدرولوژیکی مانند پیش بینی سیلاب (٢۵) و مدل سازی رسوب (۴) به صورت موفقیت آمیزی مورد استفاده قرار گرفته است . مقایسه مدل درختی M۵ با معادله های پنمن مونتیث -فائو ۵۶و هارگریوز-سامانی واسنجی شده در ایستگاه دیویس ایالت کالیفرنیا نشان داد که مدل M۵ در پیش بینی تبخیرتعرق مرجع نسبت به روش فائو ۵۶وهارگریوز واسنجی شده دقت بالاتری را داراست (١٧). ستاری و همکاران (١٣٩٢) در مطالعات خود به منظور پیش بینی تبخیرتعرق مرجع در مقیاس روزانه ، قابلیت عملکرد مدل درختی M۵ و شبکه عصبی مصنوعی را مقایسه نمودند. همچنین با ارئه سناریوهای مختلف از ترکیب پارامترهای هواشناسی به عنوان ورودی به مدل ها به انتخاب بهترین ترکیب برای پیش بینی تبخیر-تعرق مرجع پرداختند. آن ها دریافتند که مدل M۵ با دقت قابل قبولی تبخیرتعرق مرجع را شبیه سازی می نمایدو همچنین نسبت به روش شبکه عصبی ازتوانایی بالاتری برخوردارمی باشد. نتایج حاصل از سناریوهای مختلف هردو مدل نشان داد سناریویی که که در آن ورودی مدل شامل حداقل وحداکثر دما، ساعات آفتابی و ماه مورد نظر بود از دقت قابل قبول و بالایی برخوردار است (٢٢). در تحقیقی دیگر که توسط سلطانی و آزادگان (١٣٩٣) جهت ارزیابی دقت مدل M۵ در محاسبه تبخیرتعرق مرجع ماهانه ترتیب یافته بود؛ نتایج حاکی از تخمین دقیق تبخیرتعرق به وسیله این مدل بود. آن ها همچنین با استفاده از این روش روابط ساده رگرسیونی خطی جهت تعیین تبخیرتعرق به عنوان متغیر وابسته و پارامترهای اقلیمی به عنوان متغیر مستقل ، استخراج نمودند (٢٧). در مطالعه ای دیگر رحیمی خوب و همکاران (٢٠١٣)که به بررسی رابطه میان تبخیر از تشت و تبخیرتعرق مرجع پرداخته بود، مدل درختی M۵ قابلیت مناسبی از خود نشان داده بود. مدل درختی M۵ با استفاده از معادله های رگرسیونی خطی روابط غیرخطی و پیچیده میان متغیر وابسته و متغیر(های) مستقل را به خوبی شناسایی و مدل مینماید (٢٠). رحیمی خوب (٢٠١۴) توانایی مدل های M۵ و شبکه عصبی مصنوعی پرسپترون چندلایه را در تخمین تبخیرتعرق مرجع در یک منطقه خشک مورد بررسی قرار داد. نتایج این تحقیق نشان داد که هر دو مدل برای این منطقه دارای دقت قابل قبول میباشند، اما مدل M۵ با تولید معادلات رگرسیونی خطی ساده قابلیت کاربرد بیشتری دارد (٢١). روش سیستم استنتاج تطبیقی عصبی-فازی ترکیبی از دو روش شبکه عصبی مصنوعی و منطق فازی است که ابزاری توانمند در مدل سازی دستگاه های غیرخطی پیچیده است (١ و ۵). به این معنی که از خصوصیت آموزش پذیری شبکه های عصبی و همچنین از ویژگی توانایی مدل سازی استنتاج سیستم های فازی که باعث افزایش قدرت تصمیم گیری در شرایط عدم قطعیت و افزایش دقت یقینی میشود در شبکه عصبی -فازی تطبیقی استفاده می شود (١).طی دهه اخیر مدل عصبی -فازی -Neuro) (fuzzy به ابزاری برای پیش بینی تبدیل شده و در زمینه های گوناگون ، نتایج بهتری نسبت به روش های سنتی از خود نشان داده اند(۶و ٣٠).کیسی (٢٠٠٧)برای اولین بار جهت مدل کردن پدیده تبخیر-تعرق مرجع ، سیستم عصبی -فازی (ANFIS) را به کار برد. نتایج روش ANFIS با روش های تجربی پنمن ، هارگریوز، ریچی، سیستم مدیریت آبیاری کالیفرنیا (CIMS) و شبکه عصبی مصنوعی براساس آماره های R2،MAE وMSE مقایسه شد. نتایج نشان دهنده توانایی روش عصبی -فازی در مدل سازی پدیده تبخیر-تعرق مرجع بود (١٢).کسکین و همکاران (٢٠٠٩) ترکیب منطق فازی و شبکه عصبی را در تخمین فرایند تبخیر موفق تر از منطق فازی گزارش کردند (١١). مطالعات ادهیامبوو همکاران (٢٠٠١)، تزیموپولوس و همکاران
(٢٠٠٨)، لین و همکاران (٢٠٠٨)، آیتک (٢٠٠٨) و شایان نژاد و همکاران (٢٠٠٨) نشان دهنده عملکرد مناسب مدل های هوشمند عصبی -فازی در تخمین تبخیرو تعرق مرجع می باشد (١۶، ٢٩، ١٣، ٣و ٢٣).دوغان (٢٠٠٩)با استفاده از سیستم تطبیقی عصبی-فازی و ترکیب های مختلف از پارامترهای هواشناسی ورودی در مدل های رگرسیونی خطی چند متغییره مقدار تبخیر از مخزن سد یواجیک در ترکیه را مدل سازی کردند و نشان دادند که مدل تطبیقی عصبی -فازی پارامترهای تابش خورشیدی، دمای میانگین ، رطوبت نسبی و سرعت باد نسبت به مدل های رگرسیونی از دقت بالاتری برخوردار است (٧).
میرمرادزهی و همکاران (١٣٩٢)، به مقایسه ی مدل های ANNs و ANFIS در برآورد میزان تبخیر از تشتک در ایستگاه سینوپتیک چابهار پرداختند. نتایج حاصل نشان داد که مدل ANFIS در برآورد فرایند تبخیر از تشتک نسبت به مدل ANNs
دقت بالاتری دارد(١۴). شیری و همکاران (٢٠١٢) مدل های GEP، سیستم استنتاج تطبیقی عصبی-فازی (ANFIS) و روش های تجربی هارگریوز-سامانی و پریستلی -تیلور را برای تخمین تبخیر-تعرق مرجع در شمال اسپانیا باهم مقایسه نمودند. نتایج حاکی از آن بود که GEP به ترتیب دقیق تراز ANFIS، پریستلی-تیلورو هارگریوز-سامانی بود (٢۴).سلطانی و همکاران (١٣٩٢)، به مقایسه ی کارایی مدل های تلفیقی NN-ARX وANFIS جهت تخمین تبخیر روزانه از تشت در شرایط اقلیمی خشک و گرم (ایرانشهر)، خشک و گرم ساحلی (چابهار)و اقلیم نیمه خشک و معتدل گرم (سراوان ) پرداختند.
از بین پنج پارامتر ورودی شامل سرعت باد، درجه حرارت ، رطوبت نسبی، فشارو ساعات آفتابی در دوره ۵ساله (١٣٨۴-١٣٨٩)، بهترین ترکیب ورودی مدل با استفاده از الگوریتم ژنتیک آزمون گاما (GA-GT) برای هر یک از ایستگاههای سینوپتیک انتخاب گردید. نتایج نشان داد بهترین ترکیب ورودی به مدل ها میانگین دما، میانگین رطوبت نسبی، سرعت باد، ساعات آفتابی و کمبود فشار اشباع انتخاب شد. همچنین نتایج نشان داد که دقت مدل ANFIS نسبت به مدل NN-ARX در برآورد تبخیر روزانه از تشت در شرایط خشک وگرم بلوچستان مورد بررسی بیشتر است و براساس معیارهای ارزیابی RMSE،MAE و R2 دقت و ارجحیت مدل GAGT-ANFIS در مقابل GAGT-NN-ARX بیشتر است (٢۶). در این تحقیق مدل M۵ و ANFIS برای برآورد ETo روزانه در ایستگاه سینوپتیک طالقان با برنامه نویسی توسعه داده شده است .
مقایسه دقت برآورد تبخیر-تعرق مرجع روزانه توسط مدل درختی (M5) ومدل سیستم استنتاج تطبیقی عصبی -فازی (ANFIS) با مقادیر ETo حاصل ازمعادله ی مبنای فائو پنمن -مانتیث و بررسی حساسیت تبخیر-تعرق مرجع به پارامترهای هواشناسی با استفاده از مدل های M۵ و ANFIS از اهداف این مطالعه محسوب می شود.
مواد و روش ها
ایستگاه سینوپتیک طالقان واقع در شمال غرب شهر کرج در استان البرز،دارای عرض جغرافیایی ٣۶.١١درجه شمالی، طول جغرافیایی ۵٠.۴۶درجه شرقی می باشد. شهرستان طالقان میان دره بزرگی در کوههای البرز قراردارد که امتداد طولی آن از شرق به غرب است ، طالقان از شمال به سلسله جبال البرزو روستاهای تنکابن و الموت محدود بوده و از جنوب به بخش ساوجبلاغ و دهستان فشکلدره منتهی می گردد. از آنجائیکه روستاهای طالقان در ارتفاعات و دامنه جبال البرز است زمستانهای سرد و در سایر فصول هوای مطبوع و خنکی دارد. در این تحقیق از پارامترهای هواشناسی اندازه گیری شده در ایستگاه سینوپتیک طالقان نظیر حداکثرو حداقل دمای هوا، رطوبت نسبی ، ساعات آفتابی و سرعت باد در مقیاس روزانه در پنج ساله متوالی (٢٠٠٩ تا ٢٠١٣) استفاده شده است . این داده هااز اداره هواشناسی استان البرز گرفته شده است . سپس داده های مذکور در محاسبه مقدار تبخیر-تعرق مرجع روزانه مورد استفاده قرار گرفت . روش مبنا برای محاسبه مقدار تبخیر-تعرق مرجع روزانه ، روش فائو پنمن -مانتیث می باشد. همچنین دراین تحقیق توانایی ودقت مدل درختی (M5) ومدل سیستم استنتاج تطبیقی عصبی-فازی (ANFIS) در پیش بینی تبخیر-تعرق مرجع روزانه مورد بررسی قرار گرفته و نتایج حاصل از مدل هابا نتایج تبخیر-تعرق مرجع حاصل از معادله ی فائو پنمن -مانتیث مقایسه شده است . همچنین برای ارزیابی توانایی مدل ها از هفت ترکیب مختلف پارامترهای اقلیمی به عنوان ورودی استفاده گردید. از بین کل داده های موجود، ٧٠درصد داده ها یعنی حدود ١٢٧٧ داده ی هواشناسی روزانه برای آموزش ، ٣٠درصد داده ها حدود ۵۴٨ داده ی هواشناسی روزانه برای آزمون مدل درختی و مدل سیستم استنتاج تطبیقی عصبی -فازی اختصاص یافت . ترکیب های متنوعی از داده های هواشناسی به عنوان ورودی مدل درختی و مدل سیستم استنتاج تطبیقی عصبی-فازی و مقادیر محاسبه شده متناطر ETo،به عنوان خروجی مدل ها در نظر گرفته شده و شبکه آموزش داده شد. در مرحله تست مدل با استفاده از داده هایی که در آموزش شرکت داده نشده بودند، روابط خطی پیش بینی مقادیر ET٠ توسط مدل M۵ استخراج شد. جهت مدل سازی مدل M۵ از نرم افزار WEKA
نسخه ٣.٧.١٠ استفاده شد. در این مطالعه تابع عضویت در روش تطبیقی عصبی -فازی تابع زنگوله ای (Bell) در نظر گرفته شد. برای نوشتن و اجرای کد ANFIS از نرم افزار متلب استفاده گردیدو الگوریتم یادگیری و شبیه سازی در این محیط ساخته و اجرا شد. با استفاده از تحلیل های آماری و شاخص هایی چون ضریب تبیین (R2)، جذر میانگین مربع خطا (RMSE) و میانگین قدر مطلق خطا (MAE)نسبت به انتخاب برترین مدل اقدام گردید.
مدل درختی M۵
مدل درختی M۵ که در ابتدا توسط (١٩٩٢) Quinlan پایه ریزی شده ، یک درخت تصمیم دودویی است که دارای توابع رگرسیونی خطی در گره های پایانه ای می باشد (١٩). این توابع می توانند بین متغیرهای مستقل ووابسته ایجاد ارتباط نموده و صفات عددی پیوسته را پیش بینی نمایند. تولید نسل در این مدل شامل دو مرحله است . مرحله اول شامل استفاده ازیک شاخص تفکیک و جداسازی برای ایجاد یک درخت تصمیم است . شاخص تفکیک برای الگوریتم مدل درختی M۵ بر اساس ارزیابی انحراف استاندارد مقادیر کلاسی است که به هر گره می رسد. انحراف استاندار به عنوان معیاری از خطا در آن گره است که کاهش مورد انتظار در این خطا به عنوان نتیجه ای از آزمایش هر صفت در آن گره را محاسبه می کند (١٩). فرمول محاسبه کاهش خطای استاندارد (SDR) به صورت رابطه (١)تعریف شده است :

که در این رابطه Tبیانگر یک مجموعه از نمونه هاست که به هر گره اختصاص می یابد، Ti نمایانگر زیرمجموعه ای از نمونه هاست که دارای iامین خروجی مجموعه ی بالقوه است و sd انحراف استاندارد است (١٧). به دلیل فرآیند تفکیک و انشعاب مقدار انحراف استاندارد داده ها در گره های فرزند (گره های پایین تر)کم تر از مقدار آن در گره والدمی باشد (٢٠).پس از آزمودن تمامی تفکیک های ممکن ، تفکیکی که موجب کاهش انحراف استاندارد مورد انتظار به حداکثر مقدار خود گردد، انتخاب میشود. بااین حال این تقسیم بندی غالبا موجب ایجاد یک ساختار درختی بزرگ می شود که احتمالا بیش آموزش ویا ضعف قابلیت تعمیم مدل را به دنبال دارد. برای رفع این مشکل در مرحله دوم درخت ایجاد شده هرس شده و سپس زیر شاخه های اصلاح شده به وسیله توابع رگرسیونی خطی جایگزین می شوند. این تکنیک موجب افزایش دقت مدل درختی میگردد (٢٣). الگوریتم مدل درختی M۵، فضای پارامتری را به زیرفضاهایی تجزیه نموده و در هرکدام از آن ها یک مدل رگرسیونی به وجود میآورد. شکل ١-a، تفکیک فضای ورودی X1*X2(متغیرهای مستقل ) را به شش زیر فضا (برگ ) نشان میدهد. در هر کدام از برگ ها یک تابع رگرسیونی خطی با نام های LM١ تا LM۶ ایجاد شده است . در شکل ١-b این روابط به شکل یک دیاگرام درختی نمایش داده شده است که هر کدام از معادله ها در حکم یک برگ می باشند (٢٣).

این فقط قسمتی از متن مقاله است . جهت دریافت کل متن مقاله ، لطفا آن را خریداری نمایید
word قابل ویرایش - قیمت 12700 تومان در 17 صفحه
127,000 ریال – خرید و دانلود
سایر مقالات موجود در این موضوع
دیدگاه خود را مطرح فرمایید . وظیفه ماست که به سوالات شما پاسخ دهیم

پاسخ دیدگاه شما ایمیل خواهد شد