مقاله ارزیابی عملکرد شبکه عصبی مصنوعی پرسپترون چند لایه در تخمین میزان تبخیر-تعرق گیاه مرجع روزانه با استفاده از داده های محدود اقلیمی (مطالعه موردی اقلیم کرمان)

word قابل ویرایش
11 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 عملکرد شبکه عصبی مصنوعی پرسپترون چند لایه در تخمین میزان تبخیر-تعرق گیاه مرجع روزانه با استفاده از داده های محدود اقلیمی (مطالعه موردی اقلیم کرمان)
چکیده
تبخیر-تعرق از گیاهان یکی از مولفه های مهم تعیین میزان نیاز آبی گیاهان و تخصیص میزان آب بهینه در بخش کشاورزی می باشد. تعیین این مولفه به روشهای مختلفی انجام شده است. یکی از روشهای مدرن در تخمین این مولفه استفاده از شبکه های عصبی مصنوعی است. شبکه های عصبی مصنوعی یک ابزار محاسباتی است که توانایی شبیه سازی فرایندهای غیر خطی و پیچیده پدیده های مختلف دارد. در این پژوهش از این ابزار محاسباتی جهت تخمین میزان تبخیر-تعرق مرجع در مقیاس روزانه با استفاده از داده های ورودی مختلف هواشناسی اخذ شده از ایستگاه سینوپتیک شهر کرمان، استفاده شد. بررسیهای نشان داد که شبکه عصبی ANN1 با R=0/99، R =0/99، MAD=0/23، RMSE =0./3 دارای بالاترین عملکرد و کیفیت و ANN6 با میزان R=0/6، MAD =1/96، RMSE =2/59 دارای کمترین عملکرد و کیفیت در مدل کردن تبخیر-تعرق مرجع روزانه است.
واژه های کلیدی: پنمن- مانتیث، تبخیر- تعرق گیاه مرجع، شبکه های عصبی مصنوعی، کرمان.

مقدمه
جریان بخار آب در اکوسیستمهای کشاورزی دومین مولفه بزرگ در چرخه هیدرولوژی است. جریان بخار آب یا تبخیر – تعرق از گیاهان به اتمسفر یک موضوع مطالعاتی وسیع در سراسر دنیا است. تبخیر – تعرق جهت تعیین نیاز آبی محصولات کشاورزی، مولفه های اقلیمی، و برای مدیریت آب دارای اهمیت فراوانی است. تخمین تبخیر- تعرق از مناطق با پوشش گیاهی یک ابزار پایه برای محاسبه بیلان آب و تخمین آب مورد نیاز در دسترس می باشد. در خلال ۶۰ سال گذشته روش و مدلهای ختلفی برای اندازه گیری تبخیر – تعرق در اکو سیستمهای کشاورزی گسترش یافت. در این بین بسیاری از روابط تجربی متکی به داده های اقلیمی وجود داردکه هر کدام دارای مزایا و معایبی برای اقلیمهای مختلف هست(طبری، .(۲۰۱۰ مدل پنمن- مانتیث یکی از روابط تخمین میزان تبخیر – تعرق پتانسیل می باشد که در صورت موجود بودن داده های اقلیمی، ١FAO این مدل را توصیه می کند (الن، .(۱۹۹۸ یکی دیگر از پیشنهادات برای تخمین تبخیر-تعرق استفاده از مدلهای محاسباتی هوشمند مانند شبکه های عصبی مصنوعی می باشد. تبخیر-تعرق یک پدید پیچیده غیر خطی است که به فاکتورهای متعدد اقلیم شناسی وابسته است. شبکه های عصبی مدلهای ریاضیاتی هستند که معماری آنها الهام گرفته از شبکه های عصبی بیولوژکی و مناسب ترین برای مدلسازی پروسه های غیره خطی است (کلیبالی، .(۲۰۰۳در این بین محققین زیادی بررسی کارایی روشهای مختلف تخمین تبخیر – تعرق را انجام دادند. از این محققین به لاندراس و همکاران (۲۰۰۸) می توان اشاره کرد که با تحقیق بر روی روابط تجربی و مدلهای شبکه عصبی مصنوعی کارایی آنان در تخمین تبخیر و تعرق مناطق نیمه خشک را مورد آزمون قرار دادند. این بررسی که با استفاده از داده های روزانه سالهای ۱۹۹۹-۲۰۰۳ منطقه بسک در شمال اسپانیا انجام شد، نشان داد که شبکه های عصبی با ورویهای مختلف هفتگانه هواشناسی، RMSE داده های واقعی و تخمین زده شده تبخیر- تعرق بین ۰/۲۳۸ – ۰/۶۴۶ بود که بهترین حالت آن شبکه عصبی مصنوعی با ورودیهای حداقل، حداکثر، میانگین دما، تابش خورشید و رطوبت نسبی شد. شبکه های عصبی مصنوعی یکی از روشهایی داده محوری است که توانایی شبیه سازی بسیاری از پدیده ها و فرایندهای پیچیده غیر خطی را داراست. آدلوی و همکاران (۲۰۱۲) با استفاده از داده های هواشناسی سالهای ۱۹۹۶-۲۰۰۴ ایستگاه دانشگاه آهریوت وات انگلستان به پیشبینی میزان تبخیر و تعرق با استفاده شبکه های عصبی مصنوعی پرداخت.در ایت بررسی از ۳ شبکه عصبی مصنوعی خاص با تعداد ورودی، تعداد لایه های پنهان و تعداد نرونهای مختلف در هر لایه استفاده نمود. نتایج حاکی از همبستگی ۰/۵۵ – ۰/۹۸ بین داده های پیش بینی شده و واقعی و تغییرات میانگین مربعات خطا بین۰/۰۰۸ – ./۱۶۵بود.

بختیاری و همکاران((۱۳۸۸ به مطالعه مدلهای پنمن- مانتیث فائو ۵۶ و پنمن- مانتیث انجمن مهندسین عمران آمریکا (ASCE) جهت تخمین تبخیرو تعرق مرجع چمن با استفاده داده های هواشناسی با بازه زمانی ساعتی در اقلیم نیمه خشک کرمان پرداخت. نتایجی که با استفاده از ۳۳۵۲ داده ET0 ساعتی لایسیمتر بدست آمده نشان داد که میانگین داده های هواشناسی لایسیمتر و مدلهای محاسبه تبخیر و تعرق با استفاده از داده های یکپارچه به ترتیب ۰/۲۸ تا ۰/۲۳ میلیمتر بر ساعت شد. دلیل تفاوت مقدار داده های لایسیمتر و مدلهای یاد شده در مقادیر ساعتی برا تفاوت مقادیر ادوکسیون در منطقه یاد شده است. در ایران نیز محققانی از جمله عصاری و همکاران (۱۳۸۸) بر روی عملکرد شبکه عصب مصنوعی و مدلهای تجربی در تخمین تبخیر تعرق کار نمودند. تلاش عصاری و همکاران مشخص نمود که ANN در فضای گلخانه تحقیقات گیاه پزشگی کشور با ورودیهای داده های هواشناسی روزانه تابش ورودی از جو، دمای حداقل و حداکثر، ساعت آفتابی، فشار بخار واقعی از اسفند ۱۳۸۵ تا خرداد ۱۳۸۶ ایستگاه هواشناسی مهرآباد تهران با میانگین مربعات خطا ۱/۱ میلیمتر بر روز و در فضای باز با ورودی دمای حداقل و حداکثر، ساعات آفتابی واقعی دارای میانگین مربعات خطا ۱/۰۱ میلیمتر در روز بهترین نتایج حاصل شد. حمیدرضا ابیانه و همکاران((۱۳۸۸ نیز به ارزیابی کارایی ۲ نرم افزار شبکه عصبی مصنوعی در تخمین میزان تبخیر و تعرق مرجع پرداخت. در این کار از داده های هواشناسی ایستگاه هواشناسی اکباتان همدان انجام شده است. ابیانه و همکاران ۲۱ شبکه عصبی با لایه های مختلف و تابع متحرکهای متفاوت طراحی کردند و نتیجه این پژوهش برگزیدن مدل شبکه عصبی مصنوعی با آرایش ۶-۶-۱ با تابع محرک سیگموئید و قانون یادگیری گرادیان مزدوج با ٢۰/۷ RMSE و R2 0/087 به عنوان بهترین مدل انتخاب شد.
اما هدف از این تحقیق و بررسی تعیین میزان کارایی شبکه های عصبی مصنوعی در برآورد میزان تبخیر – تعرق روزانه با استفاده از انواع داده های ورودی هواشناسی بلند مدت روزانه تاثیر گذار بر روی تبخیر – تعرق در منطقه نیمه خشک کرمان است.

مواد و روشها
– منطقه مورد مطالعه
در این بررسی از داده های اقلیمی ایستگاه هواشناسی کرمان جهت مطالعه استفاده شده است. کرمان با توجه طبقه بندی اقلیمی دومارتن پیشرفته دارای اقلیم خشک سرسیری است. این ایستگاه در عرض جغرافیایی ۳۰ درجه و ۱۵ دقیقه شمالی و طول جغرافیایی ۵۸ درجه و ۵۷ دقیقه شرقی در ارتفاع ۱۷۵۴ متری از سطح دریا قرار دارد. داده های مورد نظر شامل داده های حداقل و حداکثر دما، رطوبت نسبی، مدت ساعات آفتابی واقعی و سرعت باد می باشد. کلیه داده ها با دقت روزانه از تاریخ ۱۹۷۸ – ۲۰۰۷ (به مدت ۳۰ سال) از ایستگاه سینوپتیک شهر کرمان جمع آوری شده و پس از بررسی صحت داده ها در مدل پنمن – مانتیث فائو ۵۶ و شبکه عصبی مصنوعی به کار برده شد.

– معادله استاندارد پنمن- مانتیث فائو
معادله استاندارد پنمن – مانتیث فائو یکی از روابطی است که برای تخمین و مدل کردن میزان تبخیر – تعرق مرجع مورد استفاده قرار می گیرد. در می ۱۹۹۰، سازمان خوار و بار جهانی همفکری متخصصان و محققان در رابطه با کمیته بین المللی آبیاری و زهکشی و با سازمان هواشناسی جهانی را جهت بازنگری روش شناسی های FAO بر روی آب مورد نیاز محصولات و مشاوره در زمینه تجدید نظر و به روز رسانی فرایند، سازمان دهی کرد.
هیئت متخصصین توصیه کردند روش ترکیبی پنمن- مانتیث به عنوان یک استاندارد جدید برای تبخیر-تعرق مرجع پذیرفته شده و فرآیندهایی را برای محاسبه پارامترهای مختلف توصیه نمودند. مدل پنمن- مانتیث فائو از داده های استاندارد اقلیمی که میتوان به آسانی اندازه گیری یا از داده های اندازه گیری شده رایج استخراج کرد، استفاده می کند.
این معادله به شکل زیر می باشد :

که در معادله :
: ET0 تبخیر و تعرق مرجع (mm/day)
: Rn تابش خالص در سطح پوشش گیاهی
(MJm-2d-1) : T میانگین دمای هوا (oC)
: es – ea کمبود فشار بخار در ارتفاع ۲ متری (KPa) : U2 U2سرعت باد در ارتفاع ۲ متری از سطح زمین (ms-1)
: شیب منحنی فشار بخار
(KPa oC-1) : G شار گرمایی به داخل خاک (MJm-2d-1) : γ ضریب رطوبتی (KPa oC-1) می باشد.

در این پژوهش از این رابطه به عنوان رابطه استاندارد تعیین کننده میزان تبخیر- تعرق گیاه مرجع استفاده شد.

– شبکه های عصبی مصنوعی
شبکه های عصبی مدلهای محاسباتی هستند که قادرند که ارتباط میان ورودیها و خروجیهای یک سیستم فیزیکی را توسط شبکه ای از گره ها که همگی با هم متصل هستند، تعیین نمایند.
شبکه های عصبی از لایه هایی به نام لایه های ورودی، پنهان و خروجی تشکیل شده است و در هر لایه یک یا چند عنصر پردازش گر (نرون) وجود دارد که با تمام نرونهای لایه بعد در ارتباط می باشد. تعداد نرونهای ورودی برابر تعداد متغیر های مستقل ورودی سیستم مورد نظر می باشد که در این تحقیق متغیرهای مستقل همان متغیر های اقلیمی است. به هر یک یک از نرونهای لایه ورودی وزنی داده می شود که مقدار آن تعیین کننده تاثیر هر متغییر بر میزان عملکرد لایه های ورودی است. هر نرون از دو قسمت تشکیل شده است. در قسمت اول آن مجموع مقادیر وزنی ورودی به آن محاسبه می گردد. در قسمت دوم نرون خروجی قسمت اول در یک تابع ریاضی قرار گرفته و از طریق آن خروجی نرون محاسبه می گردد. به این تابع ریاضی در اصطلاح تابع محرک، تابع آستانه یا تابع انتقال می گویند. که عملکرد آن شبیه یک فیلتر خطی است و باعث می شود تا خروجی نرون در یک محدوده عددی خاص قرار گیرد(منهاج، .(۲۰۰۲ این شبکه ها داده های ورودی را به سه گروه داده آموزش، آزمون، اعتبار سنجی تبدیل کرده و مورد استفاده قرار می دهد.
شبکه عصبی مورد نظر در این پژوهش دارای مشخصات زیر می باشد :
نوع شبکه : پس انتشار خطای پیش رونده
تعداد لایه های پنهان : ۵ لایه
تعداد نرونهای هر لایه : ۱۰ نرون
تابع عملکرد : میانگین مربعات خطا (MSE3)
تابع آموزش : Levenberg – marquadt
تابع انتقال : تانژانت سیگموئید

استاندارد سازی داده ها
در این کار جهت تسریع در پاسخدهی بهتر شبکه عصبی مصنوعی در نظر گرفته شده داده های اقلیمی و مقادیر تبخیر – تعرق پتانسیل مرجع محاسبه شده به فرم استاندارد تبدیل گردید. جهت استانداردسازی داده ها از فرم استاندارد سازی زیر استفاده گردید:

در این فرم X داده های مشاهداتی و محاسباتی اصلی، به ترتیب میانگین و انحراف معیار داده های مشاهداتی و محاسباتی اصلی و Z فرم استاندارد داده ها می باشد.

این فقط قسمتی از متن مقاله است . جهت دریافت کل متن مقاله ، لطفا آن را خریداری نمایید
word قابل ویرایش - قیمت 12700 تومان در 11 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