مقاله ارزیابی مدل های شبکه عصبی RBF و MLP در برآورد تبخیر ماهانه مطالعه موردی: ایستگاه هواشناسی رشت

word قابل ویرایش
18 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 مدل های شبکه عصبی RBF و MLP در برآورد تبخیر ماهانه مطالعه موردی: ایستگاه هواشناسی رشت
چکیده
تبخیر یکی از مهم ترین اجزای چرخه هیدرولوژیکی است . تخمین دقیق این پارامتر در مطالعات زیادی از قبیل بیلان آبی، طراحی سیستم های آبیاری و مدیریت بهینه منابع آب میتواند موثر واقع شود. برای برآورد میزان تبخیر میتوان از روش مستقیم یا فیزیکی و یا روشهای تجربی استفاده کرد. در روش اندازهگیری مستقیم ابزار مورد نیاز برای اندازهگیری تبخیر در ایستگاههای هواشناسی نصب میگردد. در این تحقیق به منظور ارزیابی مدلهای شبکه عصبی RBF و MLP در برآورد تبخیر ماهانه از داده – های هواشناسی ایستگاه رشت طی سالهای ١٣٩١-١٣٧٢ استفاده گردید. تبخیر ماهانه با استفاده دادههای میانگین ماهانه دما، میانگین ماهانه رطوبت نسبی، مجموع ساعات آفتابی و حداکثر سرعت باد مدلسازی شد. برای مدلسازی تبخیر از روش شبکه عصبی RBF و MLP تحت ۵سناریو مجزا بهره گرفته شد. در بین سناریوهای برآورد تبخیر، سناریو ٣بر پایه مدل شبکه عصبی
۲ MLP و با ورودیهای میانگین ماهانه دما، میانگین ماهانه رطوبت نسبی و مجموع ساعات آفتابی با و در مرحله آزمون، بهترین مدل انتخاب شد.
واژههای کلیدی: تبخیر، رشت ، شبکه عصبی مصنوعی، MLP،RBF

١- مقدمه
با توجه به اینکه بیش تر نقاط ایران در مناطق خشک و نیمه خشک قرار گرفته و دارای منابع محدود آب میباشند، آب اولین و مهم ترین عامل محدودیت در افزایش تولیدات کشاورزی است . بنابراین باید مصرف آب در کشاورزی بهینه شود. یکی از اصلیترین مولفه های چرخه آب در طبیعت فرآیند تبخیر میباشد و آگاهی از مقدار آن به عنوان یکی از متغیرهای هیدرولوژیکی در تحقیقات کشاورزی ، حفاظت آب و خاک و بهره برداری بهینه از منابع آب اهمیت زیادی دارد. سهم ایران از بارندگیهای کره زمین بطور متوسط ٣٠درصد (٢۵١ میلی متر) میباشد که ٧١ درصد (١٧٩ میلی متر) از بارشها در سال به صورت تبخیر از دست میرود (سعادت خواه و همکاران، ١٣٨٠؛ شبان و همکاران، ١٣٨۶).
به دلیل توزیع نامناسب زمانی و مکانی بارش کشور میتوان تبخیر را کمیتی ناشناخته دانست ، ناهماهنگی آمارها و دادهها هم عاملی در شناخت این پارامتر است (بی نام، ١٣٨١). تبخیر به دلیل بستگی به عوامل اقلیمی مختلف و تاثیر این عوامل بر یکدیگر یک پدیده غیر خطی و پیچیده است . بنابراین تهیه یک شبیه ریاضی برای آن کار دشواری بوده که در صورت امکان اندازهگیری – های آن وقت گیر و مشکل بوده و با خطا همراه است (جین و همکاران ، ١٩٩٩).
یکی از روشهای کم هزینه و مستقیم برآورد تبخیر، تشت تبخیر کلاس Aمرکز هواشناسی آمریکا میباشد که رایج ترین نوع تشتی است که استفاده از آن در ایران متداول است به طوری که این روش به عنوان یکی از روشهای خوب با دقت بالا در برآورد تبخیر- تعرق گیاه مرجع شناخته شده است (رحیمی خوب، ٢٠٠۶). در روشهای غیرمستقیم ، شدت تبخیر با استفاده از روشهای تجربی (با استفاده از دادههای هواشناسی) و فرمولهای مبتنی بر موازنه جرم و بقای انرژی برآورد میشود (اسلامیان و همکاران ، ٢٠٠٨).
روشهای تجربی به دادههای کم تری نیاز دارند ولی دقت آنها در مناطق مختلف متفاوت است و برای هر منطقه باید واسنجی شوند (لیناکر، ١٩٩۴). کاهون و همکاران (١٩٩١) و فننسی و ووگل (١٩٩۶) روش های رگرسیون را برای توسعه دادن مدلها برای تبخیر متوسط ماهانه منطقه ای در آمریکا به عنوان تابعی از متغیرهای سهل الوصول مانند دما و طول و عرض جغرافیایی و ارتفاع به کار گرفتند. مدلهای تجربی نشان دادهاند که میتوانند بیشتر از مدلهای مبتنی بر درجه حرارت مانند Linacre(١٩٧٧) و هارگریوز سامانی (١٩٨٢) بهبود پیدا کنند.
به منظور برآورد تبخیر از تشت ، محققان از روشهای متعددی از جمله شبکه عصبی مصنوعی، روشهای تجربی و رگرسیون چند- گانه استفاده کردند. نتایج حاکی از دقت نسبی مدلهای شبکه عصبی مصنوعی بوده است . روش شبکه های عصبی با موفقیت در تعدادی از زمینه های مختلف ، از جمله منابع آب به کار گرفته شد. در زمینه هیدرولوژیکی ، آزمایش های اخیر گزارش دادهاند که شبکه های عصبی مصنوعی (ANN) ممکن است یک جایگزین امیدوار کننده ارائه دهد (تراخوویج و همکاران، ٢٠٠٠؛ تایفور،
٢٠٠٠؛ تراخوویج و همکاران، ٢٠٠٣؛ سوفاراتید، ٢٠٠٣، سودهیر و همکاران، ٢٠٠٣؛ کومار و همکاران، ٢٠٠۴، کیسی aو b، ٢٠٠۴؛ کیسی aو b، ٢٠٠۵؛ سیگیزاوغلو و کیسی، ٢٠٠۵؛ تراخوویج ، ٢٠٠۵؛ لندراس و همکاران، ٢٠٠٨؛ توپراک و سیگیزاوغلو،
٢٠٠٨؛ طبری و همکاران، ٢٠١٠). با این حال، استفاده از شبکه عصبی مصنوعی برای مدلسازی تبخیر بطور تئوری محدود مانده است (براتون و همکاران، ٢٠٠٠؛ سودهیر و همکاران، ٢٠٠٢؛ کسکین و ترزی، ٢٠٠۶ و تان و همکاران، ٢٠٠٧).
قهرمان و همکاران (١٣٨٩) با استفاده از مدلهای رگرسیون چندگانه و تحلیل مولفه های اصلی نشان دادندکه استفاده از آنالیز مولفه های اصلی در برآورد تغییرات تبخیر از تشت قابل توصیه میباشد.
بروتن و همکاران (٢٠٠٠) با در نظر گرفتن دادههای بارندگی، دما، رطوبت نسبی، تابش خورشیدی و سرعت باد به عنوان ورودی، تبخیر روزانه از تشت را با استفاده از شبکه عصبی مصنوعی (ANN) تخمین زدند. آنها برآوردهای ANN را با MLR و معادله پریستلی تیلور مقایسه کردند ومتوجه شدند که مدل ANN نسبت به مدلهای دیگر بهتر اجرا شده است .
سودهیر و همکاران (٢٠٠٢) از یک شبکه پرسپترون چند لایه (MLP) با الگوریتم آموزش پس انتشار خطا به منظور برآورد تبخیر روزانه تشت استفاده کردند و دریافتند که ANN نسبت به دیگر روشهای مرسوم عملکرد بهتری دارد. نتایج تحقیقات ترزی و کسکین (٢٠٠۵) نشان داد که بهترین ترکیب مدل شبکه عصبی با دادههای ورودی دمای هوا، دمای سطح آب، تابش خورشیدی و فشار هوا به دست می آید.
کسکین و ترزی (٢٠٠۶) مدلهای MLP را برای مدلسازی تبخیر روزانه تشت توسعه دادند و متوجه شدند که عملکرد مدلANN به طور قابل توجهی بهتر از روشهای مرسوم است . آنها از الگوریتم پس انتشار استاندارد برای آموزش مدل MLPاستفاده کردند.
تان و همکاران (٢٠٠٧) از شبکه عصبی مصنوعی (ANN) برای مدلسازی ساعتی و روزانه تبخیر در مناطق با آب و هوای استوایی استفاده کردند. شایان نژاد و همکاران (٢٠٠٧) تبخیر بالقوه را از روشهای رگرسیون فازی، شبکه عصبی مصنوعی و روش پنمن مانتیث تعیین نمودند. نتایج نشان داد که بهترین ترکیب ورودی برای شبیه سازی تبخیر، دما، میانگین رطوبت نسبی، ساعات آفتابی و سرعت باد میباشند.
تحقیقات مقدم نیا و همکاران (٢٠٠٩) در سیستان نشان داد که تکنیک شبکه عصبی مصنوعی (ANN) نسبت به تکنیک های عصبی- فازی و روشهای تجربی تخمین بهتری از تشت را انجام میدهد.
طبری و همکاران (٢٠١٠) تبخیر از تشت (EP) روزانه را با استفاده از شبکه های عصبی مصنوعی و مدل رگرسیون چند متغیره غیر خطی در ایران تخمین زدند. در این تحقیق تاثیر پارامترهای ورودی دمای هوا، تابش خورشید، سرعت باد وبارش برای تخمین
EP بررسی شد. نتایج تحقیق نشان داد که EP روزانه به دما و سرعت باد بیش تر از سایر پارامترها وابسته است ، همچنین مدل شبکه عصبی تخمین بهتری را نسبت به مدل رگرسیون چند متغیره انجام داد.
در تحقیقات شادمانی و معروفی (١٣٩٠) تحلیل حساسیت متغیرهای ورودی روش فازی عصبی نشان داد که مقادیر دما و سرعت باد (به عنوان متغیرهای ورودی) به ترتیب بیشترین تاثیر را بر تبخیر دارا هستند. همچنین با توجه به دقت کم مدل استیفنز- استوارت، سعی شد که مقادیر ضرایب تجربی آن با استفاده از داده های تابش و دما اصلاح گردد، که نتایج مطلوبی به دست نیامد.
کیسی و همکاران (٢٠١٢) یک شبکه عمومی عصبی- فازی(GNF) را بر مبنای مدلهای تبخیر ارائه شده پنمن ، استیفنز- استوارت، گریفیتز توسعه دادند. در این تحقیق از دما به عنوان تنها پارامتر ورودی برای تخمین مقادیر تبخیر استفاده شد، همچنین نتایج تحقیق نشان داد که مدل (GNF) به مراتب نتایج بهتری را نسبت به مدلهای کلاسیک ارائه داد.
هدف از این تحقیق ارزیابی مدلهای شبکه عصبی RBF و MLP در برآورد تبخیر ماهانه در ایستگاه هواشناسی رشت تحت سناریوهای مختلف ورودی میباشد. در این تحقیق سعی بر آن است تأثیر پارامترهای زودیافت و دائمی بر برآورد تبخیر مورد بررسی قرار گیرد.
٢- مواد و روشها
٢-١- منطقه مورد مطالعه
ایستگاه هواشناسی رشت در موقعیت جغرافیایی ۴٩ درجه و ٣٩ دقیقه طول شرقی و ٣٧ درجه و ١٢ دقیقه عرض شمالی واقع شده است و دارای ارتفاع ٣۶.٧ متر از سطح دریاست . بر اساس آمارهای منتشر شده از سوی سازمان هواشناسی، متوسط بارندگی در سال ١٣۵ روز است . کمترین بارندگی در ماههای تابستان به خصوص مرداد و بیشترین ان در پائیز به ویزه مهر و آبان میباشد.
ولی این امر ثابت نیست و گاهی ماههای فروردین ، آبان، دی، بهمن و اسفند دارای بیشترین میزان بارندگی در سال میباشد. آب و هوای رشت معتدل و مرطوب است . میانگین سالانه بارندگی در این شهر ١٣۵٩ میلیمتر میباشد. کم باران ترین سال طی ۵٠ سال اخیر سال ١٩٧١ با ٩۵٧.٨ میلیمتر و پرباران ترین سال طی این مدت سال ١٩٧٢ با ١٩۶٧.۶ میلیمتر بوده است . حداکثر بارندگی در ٢۴ ساعت در مدت آماری ثبت شده، به میزان ١٧٠ میلیمتر ثبت شده است . بارندگیها در رشت بر پایه رژیم بارشی سواحل دریای خزر، عمدتاً متاثر از سامانه های پرفشار شمالی است . میانگین سالانه دمای هوا در رشت ١۵.٩ درجه سانتیگراد است . میانگین حداکثر سالانه دمای هوا ٢٠.۶ و میانگین حداقل سالانه آن ١١.٣ درجه سانتیگراد میباشد. اختلاف حداکثر و حداقل دمای سالانه ٩.٣ درجه سانتیگراد است . حداقل دمای گزارش شده ١٩- و حداکثر دمای گزارش شده ۴٠ درجه سانتیگراد میباشد. در شکل ١موقعیت ایستگاه هواشناسی رشت نشان داده شده است .

شکل (١) موقعیت جغرافیایی ایستگاه هواشناسی رشت
٢-٢- سناریوهای مدلسازی
در این تحقیق از پنج سناریو با ورودی دادههای زودیافت هواشناسی برای برآورد تبخیر ماهانه استفاده گردید. پارامترهای ورودی هر سناریو در جدول ١آمده است . از تعداد ٢۴٠ داده ماهانه برای مدلسازی استفاده گردید که از این تعداد ١٨٠ داده برای آموزش مدل و ۶٠ داده برای آزمون مدل انتخاب شد.

٢-٣- شبکه عصبی RBF
شبکه RBF یک شبکه سه لایه است ؛ که لایه ورودی یک بافر است . لایه دوم یا، لایۀ مخفی، نگاشتی غیرخطی از فضای ورودی به فضایی با ابعاد بزرگتر است که امکان جداسازی خطی الگوها را میسر میسازد. لایۀ خروجی، مجموع وزنی ساده با خروجی خطی است . اگر هدف از RBF تقریب تابع باشد، این خروجی مناسب است . اما اگر هدف دسته بندی الگوها باشد، باید از تابع سیگموید استفاده نمود. ویژگی منحصر به فرد شبکه RBF فرایند انجام شده در لایه مخفی است . اگر الگوها در فضای ورودی ، خوشه ها را تشکیل دهند و اگر مرکز این خوشه ها شناخته شده باشد، فاصله تا مرکز خوشه قابل محاسبه است . سنجش مسافت به صورت غیرخطی انجام می شود. بنابراین ، اگر الگو در ناحیه نزدیک مرکز خوشه باشد، مقدار آن نزدیک به یک خواهد بود. اطراف این ناحیه ، مقدار مذکور به شدت کاهش می یابد. این ناحیه اطراف مرکز خوشه ، متقارن است ، به گونه ای که تابع غیرخطی به شعاعی – بنیاد٢ شناخته شده که معمول ترین تابع آن، تابع گوسین است . مسافت از مرکز خوشه ها به صورت مسافت اقلیدسی محاسبه میگردد. وزنهای ورودی به هر نرون در لایه مخفی، مختصات مرکز خوشه است . بنابراین ، زمانی که یک نرون ، الگوی ورودی نظیر X را دریافت می کند، مسافت از مرکز خوشه از رابطه زیر به دست میآید:

این شبکه در مقایسه با شبکه عصبی MLP١ به نرون بیشتری نیاز دارد؛ اما طراحی آن سریع تر از شبکه MLP بوده و سریع تر آموزش میبیند. با تعداد نرون کافی میتوان هر تابع منطقی را به طور تقریبی نشان داد. این شبکه متنوع بوده و دارای توابع مختلف که برخی از آن ها به شرح ذیل است :
تابع newrbe: شبکه ای با خطای صفر برای داده آموزشی ارائه میگردد؛
تابع newrb: در یک فرایند تکراری شبکه RBF که به تعداد نرونهای بیشتری در هر مرحله پرداخته تا جایی که خطا از مقدار مورد نظر کمتر شود؛
تابع newgrnn: یک نوع شبکه RBF است ، که برای ایجاد توابع تقریبی استفاده میشود.
طراحی با شبکه RBF به سهولت انجام می گیرد که علاوه بر تعیین تعداد ورودیها و خروجیهای شبکه ، به تعیین عامل
Spread که تعیین کننده محدوده انتخاب تابع گوسین است ، نیاز دارد. شکل ٢ساختار یک شبکه عصبی RBF را نشان میدهد.

شکل (٢) ساختار یک شبکه عصبی RBF
٢-۴- شبکه عصبی MLP
شبکه های چند لایه پیشخور (Multi-layer perceptron)، یکی از مهمترین ساختارهای شبکه های عصبی مصنوعی میباشد.
این شبکه ها شامل مجموعه ای از واحدهای حسی (نرونهای پایه ) میباشند که متشکل از یک لایه ورودی، یک یا چند لایه پنهان و یک لایه خروجی میباشند. سیگنال ورودی در خلال شبکه و در مسیری رو به جلو به صورت لایه به لایه منتشر می – شود. این نوع شبکه ها معمولاًبا عنوان پرسپترون چند لایه (MLP) نامیده میشوند (هایکین ، ١٩٩٩).
قاعده فراگیری پرسپترون چند لایه را «قاعده کلی دلتا٢» یا «قاعده پس انتشار٣» میگویند. نحوه عمل پرسپترون چند لایه ای مشابه پرسپترون تک لایه ای است . به این صورت که الگویی به شبکه عرضه میشود و خروجی آن محاسبه میگردد، مقایسه خروجی واقعی و خروجی مطلوب باعث میگردد که ضرایب وزنی شبکه تغییر یابد به طوری که در مراحل بعد خروجی صحیح تری حاصل شود. وقتی به شبکه آموزش ندیدهای الگویی را عرضه شود، خروجیهای تصادفی تولید میکند. ابتدا باید تابع خطایی تعریف شود که تفاوت خروجی واقعی و خروجی مطلوب را نشان دهد. از آن جایی که خروجی مطلوب دانسته میشود، این نوع فراگیری را «فراگیری با سرپرستی ١» مینامند.
برای موفقیت در آموزش شبکه باید خروجی آن را به تدریج به خروجی مطلوب نزدیک کرد. به عبارت دیگر باید میزان خطا را کاهش داد. برای رسیدن به این هدف از قانون دلتا استفاده میشود. در پژوهش حاضر، برای مدلسازی با استفاده از شبکه های
MLP از یک شبکه سه لایه ای پیشخور استفاده شد. شکل ٣ساختار یک شبکه عصبی MLP را نشان میدهد.

شکل (٣) ساختار شبکه MLP(حسینی، ١٣٨٨)
٢-۵- سنجش دقت مدلها
برای بررسی دقت تخمین هر یک از مدلها با استفاده از جذر میانگین مجموع مربع خطاها (RMSE) و متوسط خطای سوءگیری
(MBE) و ضریب همبستگی (R٢) واسنجی انجام گرفت . معادلات مربوط به RMSE،MBE و R٢ به صورت زیر میباشد:

که در روابط فوق Pi و Oi مقادیر مشاهداتی و تخمینی در زمان iو tتعداد دادهها هستند. مقدار RMSE بیانگر متوسط مربع خطا بین مقادیر مشاهداتی و پیش بینی شده است و هر چه مقدار آن کمتر باشد نشان دهنده دقت بیشتر تخمین مدل است . مقدار MBE نشان دهنده مثبت یا منفی بودن خطای محاسباتی بوده و در صورت مثبت یا منفی بودن نمایانگر این مطلب است که مقادیر پیش بینی شده به ترتیب بیشتر یا کمتر از مقادیر مشاهداتی هستند. مقدار R٢ نیز همیشه بین صفر و یک تغییر میکند.
هر چه به یک نزدیک تر باشد، نشان دهنده تطابق بهتر مقادیر تخمینی و مقادیر اندازهگیری شده میباشد.

این فقط قسمتی از متن مقاله است . جهت دریافت کل متن مقاله ، لطفا آن را خریداری نمایید
word قابل ویرایش - قیمت 12700 تومان در 18 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