بخشی از مقاله
ارزيابي مدل درختي M٥ و شبکه عصبي مصنوعي براي برآورد متوسط روزانه دماي هوا بر اساس داده هاي دماي سطح زمين سنجنده MODIS
چکيده
آب مايه حيات و محرک اصلي فعاليت هاي کشاورزي است . ۷۰ درصد آب مصرفي جهان به آبياري اختصـاص دارد. بيش از ۹۰ درصد توليدات زراعي و باغي کشـور مـا نيـز حاصـل کشـت آبـي اسـت . آب محـور توسـعه کشاورزي است و به خصوص کشورهايي که در مناطق خشک و نيمه خشک قرار دارند، بايد مقدار آب مصـرفي خود را مديريت کنند. براي مديريت آب ابتدا بايد درک صحيحي از مقدار توليد و مصرف آن داشت . مهم ترين پارامتري که در برآورد مقدار مصرف (تبخير و تعرق ) نقش دارد، دما است و برآورد صحيح مقدار آن منجر بـه نتايج دقيق تري در برآورد مقدار مصرف خواهد شد. اين پارامتر در ايستگاه ها به طور مستقيم اندازه گيري شـده و معرف دماي هوا در پيرامون ايستگاه است ولي قابل تعميم به مناطق دوردست نيست . در اين تحقيـق مـدل درختي M٥ و شبکه عصبي (براي تبديل داده هاي دماي حاصل از تصاوير موديس و پارامترهاي جغرافيايي به دماي متوسط روزانه ) ارزيابي شدند. نتايج نشان داد که هر دو مدل شبکه عصبي و درختي M٥ با همبسـتگي بالا توانستند مقدار متوسط روزانه دما را برآورد کنند. ليکن به دليل تفاوت بسيار ناچيز ضـريب تبيـين و بهتـر بودن شاخص هاي آماري مدل درختي M٥، عملکرد آن نسبت به مدل شبکه عصبي مطلوب تر ارزيابي شد.
واژه هاي کليدي : موديس ، دماي متوسط ، مدل درختي M٥، شبکه عصبي .
مقدمه
آب مايه حيات و محرک اصلي فعاليت هاي کشاورزي است . ۷۰ درصد آب مصرفي جهان به آبياري اختصـاص دارد. بيش از ۹۰ درصد توليدات زراعي و باغي کشـور مـا نيـز حاصـل کشـت آبـي اسـت . آب محـور توسـعه کشاورزي است و به خصوص کشورهايي که در مناطق خشک و نيمه خشک قرار دارند، بايد مقدار آب مصـرفي خود را مديريت کنند. براي مديريت آب ابتدا بايد درک صحيحي از مقدار توليد و مصرف آن داشت . مهم ترين پارامتري که در برآورد مقدار مصرف (تبخير و تعرق ) نقش دارد، دما است و برآورد صحيح مقدار آن منجر بـه نتايج دقيق تري در برآورد مقدار مصرف خواهد شد (کارلوسن و همکاران ، ۱۹۸۹). اين پـارامتر در ايسـتگاه هـا به طور مستقيم اندازه گيري شده و معرف دمـاي هـوا در پيرامـون ايسـتگاه اسـت و قابـل تعمـيم بـه منـاطق دوردست نيست . داده هاي ماهواره اي ، به دليل مزايايي چون پوشش وسيع ، قابليت تکرار، سهولت پردازش توام با داده هاي ميداني ، گزينه مناسبي در جمع آوري اطلاعات هستند. تصاوير ماهواره اي به دليل پيوستگي مکـاني داده ها، کاربرد بهتري براي مطالعات ناحيه اي نسبت به داده هـاي ايسـتگاه هـا دارنـد (رحيمـي خـوب ، ۱۳۸۶).
مهم تر اين که استفاده از اين اطلاعات ، در مقايسه با احداث ايستگاه جديد، منجر به کـاهش هزينـه و افـزايش سرعت و دقت در محاسبه پارامترهاي جوي مي شود. تحقيقات مختلف نشان داده که متغيرهاي دماي سـطح زمين و شاخص پوشش گياهي بيشترين همبستگي را با دماي هواي نزديـک زمـين دارد و ايـن متغيرهـا بـا استفاده از تصاوير ماهواره اي قابل برآورد است . (يائو و ژانگ ، ۲۰۱۲؛ فابيولافلورس و ماريوليلو، ۲۰۱۰)
دو روش براي تعيين دماي هوا با استفاده از داده هاي حاصله از تصاوير ماهواره اي ارائه شده است . روش اول با نام شاخص دماي گياه بر اين فرض است که دماي سطح زمين در پوشش گياهي کامل به دماي هـوا نزديـک است (نماني و رانينگ ، ۱۹۸۹). روش دوم بر اساس همبستگي آماري است . هر دو روش فوق در برآورد دمـاي هوا، داراي خطاي حدود ۳ درجه سانتي گراد هستند (يان و همکاران ، ۲۰۱۲). ميزان دقت برآورد دما بسـتگي به دقت برآورد شاخص پوشش گياهي و دماي سـطح زمـين دارد و بجـز ايـن دو، همبسـتگي دمـاي هـوا بـا متغيرهايي مثل عرض ، ارتفاع و روز از سال معني دار است (نينيرولا و همکاران ، ۲۰۰۰).
در سال هاي اخير از مدل هاي شبکه عصبي در زمينه هاي مرتبط با سنجش از دور براي برآورد دماي هوا زيـاد استفاده شده است که براي نمونه به برخي اشاره مـي شـود. گورانتيـوار و همکـاران (۲۰۱۱) در هنـد بـا روش سنجش از دور و مدل شبکه عصبي دماي هوا را بـرآورد کردنـد. نتـايج نشـاد داد، بهتـرين سـاختار از شـبکه عصبي ساختاري است که داراي ۱۱ نرون در لايه ورودي و ۲۵ نرون در لايه پنهان باشد.
جانگ و همکاران (۲۰۰۴) از تکنيک شبکه عصبي پيشـرو چنـد لايـه اي بـا ورودي ۵ بانـد تصـاوير سـنجنده AVHRR، ارتفاع سطح ، زاويه خورشيد و روز ژوليوسي استفاده کردند که نتايج داراي همبسـتگي ۰.۹۳ بـود.
رحيمي خوب و همکاران (۱۳۸۶) دقت پيش بيني دماي بيشينه هوا بـا اسـتفاده از داده هـاي بـدون تصـحيح اتمسفري شده ماهواره نوا و مدل شبکه عصبي را بررسي کردند. براي اين منظور، مـدل هـاي مختلـف شـبکه عصبي ، حاصل از ترکيب هاي مختلف داده هاي ۴ باند ماهواره نوا و ۳ متغير جغرافيايي به عنـوان ورودي هـاي مدل ساخته شد. نتايج نشان داد، مدل شبکه عصبي با ساختار ۶ نرون در لايه ورودي شـامل ۴ بانـد مـاهواره نوا، روز شمار سال و ارتفاع زمين و ۱۹ نرون در لايه پنهان بهترين مدل مي باشد.
تحقيقات نشان داد که بين دماي سطح زمين ، محصولات سنجنده مـوديس و دمـاي هـوا همبسـتگي بـالايي وجود دارد (ونکاتسيم و همکاران ، ۲۰۱۰؛ يان و همکاران ، ۲۰۰۹؛ لين و همکاران ، ۲۰۱۲). لـذا هـدف از ايـن مطالعه برآورد مقادير کمينه و بيشينه دماي هوا با داده هاي دماي سطح زمين ، محصولات سنجنده موديس و متغيرهاي جغرافيايي بر اساس مدل هاي همبستگي ساده چند متغيره ، در استان خوزستان مي باشد.
مواد و روش ها
اين تحقيق در استان خوزستان انجام شد. قرار گرفتن استان خوزسـتان در عـرض هـاي پـايين يعنـي در ۲۹ درجه و ۵۸ دقيقه تا ۳۲ درجه و ۵۸ دقيقه و واقع شدن در کمربنـد بيابـاني دنيـا، ويژگـي هـاي آب و هـوايي نيمه خشک را به آن داده است و در فصول مختلف سال در معرض جريآن هاي مختلف اقليمي قرار مي گيرد.
براي تدوين مدل شبکه عصبي و مدل درختي M٥ مقادير متوسط روزانه دماي هـوا ۲۹ ايسـتگاه هواشناسـي استان ، در سال ۲۰۰۷ به عنوان داده هاي واقعي استفاده شد. براي ساخت مدل ها از اطلاعات متوسـط روزانـه دماي هوا در ۱۸ ايستگاه يعني ۳۶۴۷ نمونه (۷۰ درصد آن ها براي آموزش و ۳۰ درصد جهـت اعتبارسـنجي ) استفاده شد. بعد از ساخت مدل ها، براي ارزيابي و مقايسه بهتر دو مدل ، از اطلاعـات مسـتقل متوسـط روزانـه دماي هوا در ۱۱ ايستگاه (۲۲۵۵ نمونه که در تدوين مدل ها استفاده نشده بود)، استفاده شد (جدول ۱).
جدول ١- ايستگاه هاي هواشناسي (١ تا ١٨ براي ساخت مدل ها و ١٩ تا ٢٩ براي اعتبارسنجي استفاده شد)
متغيرهاي ورودي هر دو مدل درختـي M٥ و شـبکه عصـبي شـامل : دمـاي روز و دمـاي شـب سـطح زمـين سنجنده موديس ، ارتفاع از سطح دريا، تابش فرازميني و متغيير خروجي ، متوسط روزانه دمـاي هـواي اسـت .
تابش فرازميني ، با استفاده از رابطه آلن و همکـاران (۱۹۹۸) محاسـبه شـد. هـدف از در نظـر گـرفتن تـابش فرازميني به عنوان متغيير ورودي اعمال تأثير روز شمار سال و عرض جغرافيايي و در نتيجه تأثير اثـر فصـلي تابش خورشيدي بر دماي هوا است .
در اين تحقيق ۳۶۵ تصوير ماهواره ترا، از سنجنده مـوديس (۲۰۰۷) اسـتفاده شـد. ايـن تصـاوير از زيرگـروه داده هاي سطح سه با کد مشخصه MODA١١١ با تفکيک مکاني يک کيلومتر و تفکيک زماني روزانه هسـتند.
تصحيحات اتمسفري روي آن ها صورت گرفته و حاوي اطلاعـات دمـاي سـطح زمـين و گسـيلندگي هسـتند
(اشنايدر و همکاران ، ۱۹۹۸).
محصولات دماي سطح زمين ، سنجنده موديس از دو باند مادون قرمـز حرارتـي کانـال هـاي ۳۱ (طـول مـوج ۱۰.۷۸ تا ۱۱.۲۸ ميکرومتر) و ۳۲ (طول موج ۱۱.۷۷ تا ۱۲.۲۷ ميکرومتر) با الگوريتم پنجره مجـزا بـه دسـت آمد (وان و همکاران ، ۲۰۰۲؛ ون و دوزير، ۱۹۹۶). صاف و بدون ابر بـودن تصـوير و همچنـين موجـود بـودن داده هاي دماي هوا، معيار انتخاب تصوير براي استخراج داده هاي دماي سطح زمين بود. تعـداد تصـاوير قابـل استفاده در هر ماه و براي هر ايستگاه در جدول ۲ آمده است . استخراج اطلاعات دماي سطح زمين از تصـاوير دريافتي در محل هر ايستگاه ، در نرم افزار ArcGIS٩٣ با ابزار Hawth Analysis Tools انجام گرفت .
مدل درختي M٥ مبتني بر روش طبقه بندي درختي است که براي ايجاد رابطـه بـين متغييرهـاي مسـتقل و وابسته ، توسط کوئين لن (۱۹۹۲) ارائه شد. اين مدل ترکيبي از مدل هاي رگرسيون خطـي و درختـي اسـت و براي هر نوع داده کمي و کيفي قابل استفاده است (کوئين لن ، ۱۹۹۲). در مدل درختي M٥ محـدوده داده هـا به زير ناحيه هايي ،تقسيم شده و بر خلاف مـدل رگرسـيون درختـي ، ايـن مـدل معادلـه رگرسـيون خطـي را جايگزين برچسب عددي در گره ها مي کنـد و بـه ايـن طريـق مـي توانـد متغييرهـاي عـددي پيوسـته را نيـز پيش بيني يا برآورد کند.
در اين تحقيق از شبکه پرسپترون چند لايه براي مدل سازي برآورد متوسط روزانه دمـاي هـوا اسـتفاده شـد.
آموزش شبکه هاي پرسپترون چند لايه ، با الگوريتم آموزش پس انتشار مارکوآت لورنبرگ انجـام شـد. اسـاس اين روش کمينه کردن تابع خطا بر مبناي عامل هاي شبکه و سرعت همگرايي بالاي آن اسـت . بـراي تعيـين ساختار بهينه مدل شبکه عصبي ، ابتدا بر اساس عامل هاي ورودي و خروجي ، تابع فعاليت و الگوريتم يادگيري انتخاب شده و شبکه هايي با تعـداد نـرون هـاي ۱ تـا ۱۰ در لايـه هـاي ميـاني طراحـي شـد. روال آمـوزش و صحت يابي براي هر ساختار ۵ مرتبه تکرار شد و در نهايت ساختاري که نتايج آن حداقل اختلاف را با مقـادير مشاهده اي داشت (بر اساس شاخص هاي آماري ) به عنوان ساختار بهينه معرفي شد.
براي ارزيابي دقت مدل ها و مقايسه نسبي آن ها با داده هاي ثبت شده ايستگاه ها، از آماره هـاي ضـريب تبيـين جذر ميانگين مربع خطا (RMSE)، ميانگين انحراف خطا (MBE) و ميانگين قدر مطلق خطـا (MAE)
استفاده شد. مقدار مثبت و منفي آماره MBE يعني مدل دمـاي هـوا را بـه ترتيـب بيشـتر يـا کمتـر بـرآورد مي کند. براي برآوردي مطمئن از دماي هوا بايد قدر مطلق اين آماره تا حد امکان کوچک باشد. مقـدار آمـاره ريشه ميانگين مربعات خطا و مقدار ميانگين قدر مطلق خطا همواره مثبت بوده و بهترين حالت زمـاني اسـت که به صفر نزديک شود. آماره ضريب تبيين ، ميزان خطي بودن رابطه بين مقادير اندازه گيري و محاسبه شـده را نشان مي دهد. هرچه مقدار آن به يک نزديک تر باشد، رابطه خطي مورد نظر مشهودتر است .
بحث و نتايج
تعداد نرون هاي لايه پنهان براي ساختار مدل شبکه عصبي با سعي و خطا به دست آمد. ابتدا ساختار شبکه بـا ۱ تا ۱۰ نرون در لايه پنهان آموزش داده شد و بعد از هر مرحلـه آمـوزش مطلـوب بـودن تعـداد نـرون هـا بـا استفاده از داده هايي که جهت اعتبارسنجي مدل اختصاص داده شده بود، بـا توجـه بـه شـاخص هـاي آمـاري ارزيابي شد. نتايج نشان داد مدل شبکه عصبي سـاخته شـده بـا ۷ نـرون در لايـه پنهـان ، بـا ضـريب تبيـين ۰.۹۶۸۵، جذر ميانگين مربع خطا برابر ۱.۷۸۴۱ درجه سانتي گراد
