بخشی از مقاله
*** اين فايل شامل تعدادي فرمول مي باشد و در سايت قابل نمايش نيست ***
ارزیابی عملکرد شبکه عصبی مصنوعی پرسپترون چند لایه در تخمین میزان تبخیر-تعرق گیاه مرجع روزانه با استفاده از داده هاي محدود اقلیمی (مطالعه موردي اقلیم کرمان)
چکیده
تبخیر-تعرق از گیاهان یکی از مولفه هاي مهم تعیین میزان نیاز آبی گیاهان و تخصیص میزان آب بهینه در بخش کشاورزي می باشد. تعیین این مولفه به روشهاي مختلفی انجام شده است. یکی از روشهاي مدرن در تخمین این مولفه استفاده از شبکه هاي عصبی مصنوعی است. شبکه هاي عصبی مصنوعی یک ابزار محاسباتی است که توانایی شبیه سازي فرایندهاي غیر خطی و پیچیده پدیده هاي مختلف دارد. در این پژوهش از این ابزار محاسباتی جهت تخمین میزان تبخیر-تعرق مرجع در مقیاس روزانه با استفاده از داده هاي ورودي مختلف هواشناسی اخذ شده از ایستگاه سینوپتیک شهر کرمان، استفاده شد. بررسیهاي نشان داد که شبکه عصبی ANN1 با R=0/99، R =0/99، MAD=0/23، RMSE =0./3 داراي بالاترین عملکرد و کیفیت و ANN6 با میزان R=0/6، MAD =1/96، RMSE =2/59 داراي کمترین عملکرد و کیفیت در مدل کردن تبخیر-تعرق مرجع روزانه است.
واژه هاي کلیدي: پنمن- مانتیث، تبخیر- تعرق گیاه مرجع، شبکه هاي عصبی مصنوعی، کرمان.
مقدمه
جریان بخار آب در اکوسیستمهاي کشاورزي دومین مولفه بزرگ در چرخه هیدرولوژي 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 کشاورزي، مولفه هاي اقلیمی، و براي مدیریت آب داراي اهمیت فراوانی است. تخمین تبخیر- تعرق از مناطق با پوشش گیاهی یک ابزار پایه براي محاسبه بیلان آب و تخمین آب مورد نیاز در دسترس می باشد. در خلال 60 سال گذشته روش و مدلهاي ختلفی براي اندازه گیري تبخیر - تعرق در اکو سیستمهاي کشاورزي گسترش یافت. در این بین بسیاري از روابط تجربی متکی به داده هاي اقلیمی وجود داردکه هر کدام داراي مزایا و معایبی براي اقلیمهاي مختلف هست(طبري، .(2010 مدل پنمن- مانتیث یکی از روابط تخمین میزان تبخیر - تعرق پتانسیل می باشد که در صورت موجود بودن داده هاي اقلیمی، ١FAO این مدل را توصیه می کند (الن، .(1998 یکی دیگر از پیشنهادات براي تخمین تبخیر-تعرق استفاده از مدلهاي محاسباتی هوشمند مانند شبکه هاي عصبی مصنوعی می باشد. تبخیر-تعرق یک پدید پیچیده غیر خطی است که به فاکتورهاي متعدد اقلیم شناسی وابسته است. شبکه هاي عصبی مدلهاي ریاضیاتی هستند که معماري آنها الهام گرفته از شبکه هاي عصبی بیولوژکی و مناسب ترین براي مدلسازي پروسه هاي غیره خطی است (کلیبالی، .(2003در این بین محققین زیادي بررسی کارایی روشهاي مختلف تخمین تبخیر - تعرق را انجام دادند. از این محققین به لاندراس و همکاران (2008) می توان اشاره کرد که با تحقیق بر روي روابط تجربی و مدلهاي 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 هاي روزانه سالهاي 1999-2003 منطقه بسک در شمال اسپانیا انجام شد، نشان داد که شبکه هاي عصبی با ورويهاي مختلف هفتگانه هواشناسی، RMSE داده هاي واقعی و تخمین زده شده تبخیر- تعرق بین 0/238 – 0/646 بود که بهترین حالت آن شبکه عصبی مصنوعی با وروديهاي حداقل، حداکثر، میانگین دما، تابش خورشید و رطوبت نسبی شد. شبکه هاي عصبی مصنوعی یکی از روشهایی داده محوري است که توانایی شبیه سازي بسیاري از پدیده ها و فرایندهاي پیچیده غیر خطی را داراست. آدلوي و همکاران (2012) با استفاده از داده هاي هواشناسی سالهاي 1996-2004 ایستگاه دانشگاه آهریوت وات انگلستان به پیشبینی میزان تبخیر و تعرق با استفاده شبکه هاي عصبی مصنوعی پرداخت.در ایت بررسی از 3 شبکه عصبی مصنوعی خاص با تعداد ورودي، تعداد لایه هاي پنهان و تعداد نرونهاي مختلف در هر لایه استفاده نمود. نتایج حاکی از همبستگی 0/55 - 0/98 بین داده هاي پیش بینی شده و واقعی و تغییرات میانگین مربعات خطا بین0/008 – ./165بود.
بختیاري و همکاران((1388 به مطالعه مدلهاي پنمن- مانتیث فائو 56 و پنمن- مانتیث انجمن مهندسین عمران آمریکا (ASCE) جهت تخمین تبخیرو تعرق مرجع چمن با استفاده داده هاي هواشناسی با بازه زمانی ساعتی در اقلیم نیمه خشک کرمان پرداخت. نتایجی که با استفاده از 3352 داده ET0 ساعتی لایسیمتر بدست آمده نشان داد که میانگین داده هاي هواشناسی لایسیمتر و مدلهاي محاسبه تبخیر و تعرق با استفاده از داده هاي یکپارچه به ترتیب 0/28 تا 0/23 میلیمتر بر ساعت شد. دلیل تفاوت مقدار داده هاي لایسیمتر و مدلهاي یاد شده در مقادیر ساعتی برا تفاوت مقادیر ادوکسیون در منطقه یاد شده است. در ایران نیز محققانی از جمله عصاري و همکاران (1388) بر روي عملکرد شبکه عصب مصنوعی و مدلهاي تجربی در تخمین تبخیر تعرق کار نمودند. تلاش عصاري و همکاران مشخص نمود که ANN در فضاي گلخانه تحقیقات گیاه پزشگی کشور با وروديهاي داده هاي هواشناسی روزانه تابش ورودي از جو، دماي حداقل و حداکثر، ساعت آفتابی، فشار بخار واقعی از اسفند 1385 تا خرداد 1386 ایستگاه هواشناسی مهرآباد تهران با میانگین مربعات خطا 1/1 میلیمتر بر روز و در فضاي باز با ورودي دماي حداقل و حداکثر، ساعات آفتابی واقعی داراي میانگین مربعات خطا 1/01 میلیمتر در روز بهترین نتایج حاصل شد. حمیدرضا ابیانه و همکاران((1388 نیز به ارزیابی کارایی 2 نرم افزار شبکه عصبی مصنوعی در تخمین میزان تبخیر و تعرق مرجع پرداخت. در این کار از داده هاي هواشناسی ایستگاه هواشناسی اکباتان همدان انجام شده است. ابیانه و همکاران 21 شبکه عصبی با لایه هاي مختلف و تابع متحركهاي متفاوت طراحی کردند و نتیجه این پژوهش برگزیدن مدل شبکه عصبی مصنوعی با آرایش 6-6-1 با تابع محرك سیگموئید و قانون یادگیري گرادیان مزدوج با ٢0/7 RMSE و R2 0/087 به عنوان بهترین مدل انتخاب شد.
اما هدف از این تحقیق و بررسی تعیین میزان کارایی شبکه هاي عصبی مصنوعی در برآورد میزان تبخیر - تعرق روزانه با استفاده از انواع داده هاي ورودي هواشناسی بلند مدت روزانه تاثیر گذار بر روي تبخیر - تعرق در منطقه نیمه خشک کرمان است.
مواد و روشها
- منطقه مورد مطالعه
در این بررسی از داده هاي اقلیمی ایستگاه هواشناسی کرمان جهت مطالعه استفاده شده است. کرمان با توجه طبقه بندي اقلیمی دومارتن پیشرفته داراي اقلیم خشک سرسیري است. این ایستگاه در عرض جغرافیایی 30 درجه و 15 دقیقه شمالی و طول جغرافیایی 58 درجه و 57 دقیقه شرقی در ارتفاع 1754 متري از سطح دریا قرار دارد. داده هاي مورد نظر شامل داده هاي حداقل و حداکثر دما، رطوبت نسبی، مدت ساعات آفتابی واقعی و سرعت باد می باشد. کلیه داده ها با دقت روزانه از تاریخ 1978 - 2007 (به مدت 30 سال) از ایستگاه سینوپتیک شهر کرمان جمع آوري شده و پس از بررسی صحت داده ها در مدل پنمن – مانتیث فائو 56 و شبکه عصبی مصنوعی به کار برده شد.
- معادله استاندارد پنمن- مانتیث فائو
معادله استاندارد پنمن – مانتیث فائو یکی از روابطی است که براي تخمین و مدل کردن میزان تبخیر - تعرق مرجع مورد استفاده قرار می گیرد. در می 1990، سازمان خوار و بار جهانی همفکري متخصصان و محققان در رابطه با کمیته بین المللی آبیاري و زهکشی و با سازمان هواشناسی جهانی را جهت بازنگري روش شناسی هاي FAO بر روي 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 براي تبخیر-تعرق مرجع پذیرفته شده و فرآیندهایی را براي محاسبه پارامترهاي مختلف توصیه نمودند. مدل پنمن- مانتیث فائو از داده هاي استاندارد اقلیمی که میتوان به آسانی اندازه گیري یا از داده هاي اندازه گیري 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 دماي هوا (oC)
: es - ea کمبود فشار بخار در ارتفاع 2 متري (KPa) : U2 U2سرعت باد در ارتفاع 2 متري از سطح زمین (ms-1)
: شیب منحنی فشار بخار
(KPa oC-1) : G شار گرمایی به داخل خاك (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 هاي عصبی مصنوعی
شبکه هاي عصبی مدلهاي محاسباتی هستند که قادرند که ارتباط میان وروديها و خروجیهاي یک سیستم فیزیکی را توسط شبکه اي از گره ها که همگی با هم متصل هستند، تعیین نمایند.
شبکه هاي عصبی از لایه هایی به نام لایه هاي ورودي، پنهان و خروجی تشکیل شده است و در هر لایه یک یا چند عنصر پردازش گر (نرون) وجود دارد که با تمام نرونهاي لایه بعد در ارتباط می باشد. تعداد نرونهاي ورودي برابر تعداد متغیر هاي مستقل ورودي سیستم مورد نظر می باشد که در این تحقیق متغیرهاي مستقل همان متغیر هاي اقلیمی است. به هر یک یک از نرونهاي لایه ورودي وزنی داده می شود که مقدار آن تعیین کننده تاثیر هر متغییر بر میزان عملکرد لایه هاي ورودي است. هر نرون از دو قسمت تشکیل شده است. در قسمت اول آن مجموع مقادیر وزنی ورودي 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 محرك، 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 عددي خاص قرار گیرد(منهاج، .(2002 این شبکه ها داده هاي ورودي را به سه گروه داده آموزش، آزمون، اعتبار سنجی تبدیل کرده و مورد استفاده قرار می دهد.
شبکه عصبی مورد نظر در این پژوهش داراي مشخصات زیر می باشد :
نوع شبکه : پس انتشار خطاي پیش رونده
تعداد لایه هاي پنهان : 5 لایه
تعداد نرونهاي هر لایه : 10 نرون
تابع عملکرد : میانگین مربعات خطا (MSE3)
تابع آموزش : Levenberg - marquadt
تابع انتقال : تانژانت سیگموئید
استاندارد سازي داده ها
در این کار جهت تسریع در پاسخدهی بهتر شبکه عصبی مصنوعی در نظر گرفته شده داده هاي اقلیمی و مقادیر تبخیر - تعرق پتانسیل مرجع محاسبه شده به فرم استاندارد تبدیل گردید. جهت استانداردسازي داده ها از فرم استاندارد سازي زیر استفاده گردید:
در این فرم X داده هاي مشاهداتی و محاسباتی اصلی، به ترتیب میانگین و انحراف معیار داده هاي مشاهداتی و محاسباتی اصلی و Z فرم استاندارد داده ها می باشد.
