بخشی از مقاله

*** اين فايل شامل تعدادي فرمول مي باشد و در سايت قابل نمايش نيست ***

استفاده از سیستم استنتاجی فازی عصبی و پرسپترون چند لایه در برآورد مقادیر تبخیر و تعرق حوضه دریاچه ارومیه و مقایسه آنها با مدل های تبخیر و تعرق پتانسیل
چکیده
در این تحقیق مقادیر تابش خورشیدی روزانه، دمای هوا، رطوبت نسبی و سرعت باد در حوضه دریاچه ارومیه به عنوان ورودی مدل های ANFIS و MLP مورد استفاده قرار گرفتند. سپس مقادیر تبخیر و تعرق علاوه بر مدل های فوق توسط مدل های پنمن مانتیس، هایکریوز، ریچ، بلانی کریدل و تورنث وایت برآورد گردید. سپس برای تعیین کارایی هر یک از مدل های فوق از فاکتور R2 استفاده شد. در مرحله بعدی، انواع ورودی های مورد استفاده با استفاده از مدل های NF و MLP بررسی شدند. سپس بهترین ورودی بر اساس مقایسه فاکتورها انتخاب گردید. در دومین مرحله با مقایسه مدل های NF و MLP با مدل های پنمن مانتیس، هایکریوز، ریچ، بلانی کریدل و تورنث وایت مدل های فوق صحت سنجی شده و کارایی هر یک از آنها تعیین گردید.
کلمات کلیدی: تبخیر و تعرق، مدل های تجربی، مدل NF، دریاچه ارومیه

مقدمه
از آنجا که اندازه گیری تبخیر و تعرق واقعی در عمل مشکل، دارای هزینه بالا و نیاز به صرف وقت زیادی است لذا در عمل سعی می گردد مقدار تبخیر و تعرق پتانسیل تخمین زده شود. از طرفی در طرح های هیدرولوژیکی و هیدرولیکی جهت تعیین آب مورد نیاز کشاورزی و آبیاری فرض اساسی بر تامین آب به مقدار مورد نیاز جهت گیاه است، لذا پارامتر تبخیر و تعرق پتانسیل در مرحله طراحی سازه ها در نظر گرفته می شود. مقدار تبخیر و تعرق پتانسیل نه تنها در مرحله طراحی سازه های هیدرولیکی نظیر آبگیرها، کانال ها، سدها و سیستم های انحراف و انتقال آب باید مدنظر قرار گیرد، بلکه در بهره برداری از این سیستم ها به خصوص سدهایی که در پایین دست نیاز کشاورزی را تامین می کنند باید به دقت تخمین زده شده و مورد استفاده قرار گیرد. تحقیقات متعددی در زمینه تخمین میزان تبخیر و تعرق پتانسیل ارائه شده که در زیر به تشریح برخی از آنها پرداخته می شود.
دروگرس و آلن((2002 روش هارگریوز سامانی را تغییر داده و پارامترهایی را به آن افزوده اند. نتایج تحقیقات ایشان نشان می دهد که روش های هارگریوز سامانی در مقایسه با روش پنمن مانتیس، مقادیر تبخیر و تعرق را در مناطق خشک کمتر و در مناطق مرطوب بیشتر برآورد می کند. ایشان روش هارگریوز تغییر یافته را در مقایسه با روش فائو پنمن مانتیس بهتر ارزشیابی کرده اند.
گویال((2004 با استفاده از آمار 32 ساله، حساسیت پدیده تبخیر و تعرق را به گرم شدن زمین در منطقه خشک راجستان در کشور هند بررسی کرده است. وی روش پنمن مانتیس را برای محاسبه تبخیر و تعرق انتخاب کرده و حساسیت تبخیر و تعرق را از دیدگاه تغییر در دما، تشعشع خورشیدی، سرعت باد و فشار بخار آب مورد بررسی قرار داده و نتیجه گرفته که با 20 درصد افزایش دام، تبخیر و تعرق 14.8 درصد افزایش می یابد ولی پدیده تبخیر و تعرق نسبت به افزایش در تشعشع خالص خورشیدی کمتر حساس بوده و افزایش فشار بخار آب تاثیر منفی کمتری روی تبخیر و تعرق دارد.
تراجکوویچ((2005 دو روش تعیین تبخیر و تعرق را با روش هارگریوز و فائو پنمن مانتیس مقایسه کرده و نتیجه گرفته که روش هارگریوز مقادیر تبخیر و تعرق را بیشتر از مقدار واقعی برآورد می کند. این محقق در معادله اولیه هارگریوز عدد 0.424 را به جای 0.5 پیشنهاد می کند.
آیمن و هوگنبوم((2006 با استفاده از روش پریستلی تیلور تبخیر و تعرق را برای مناطق مرطوب جنوب ایالات متحده برآورد کرده اند. نتایج تحقیقات ایشان نشان می دهد که روش مقادیر تبخیر و تعرق ماهانه و روزانه را در مرکز و جنوب غربی منطقه مورد مطالعه طی فصل زمستان کمتر از مقادیر واقعی و طی فصل تابستان بیشتر براورد می کند و نسبت به روش فائو پنمن مانتیس دقت کمتری دارد. آنها پیش بینی می کنند استفاده از روش فائو پنمن مانتیس نتایج قابل قبولی ارائه می کند.

در این تحقیق مقادیر تابش خورشیدی روزانه، دمای هوا، رطوبت نسبی و سرعت باد در حوضه دریاچه ارومیه به عنوان ورودی مدل های ANFIS و MLP مورد استفاده قرار گرفتند. سپس مقادیر تبخیر و تعرق علاوه بر مدل های فوق توسط مدل های پنمن مانتیس، هایکریوز، ریچ، بلانی کریدل و تورنث وایت برآورد گردید. سپس برای تعیین کارایی هر یک از مدل های فوق از فاکتور R2 استفاده شد.
در مرحله بعدی، انواع ورودی های مورد استفاده با استفاده از مدل های NF و MLP بررسی شدند. سپس بهترین ورودی بر اساس مقایسه فاکتورها انتخاب گردید. در دومین مرحله با مقایسه مدل های NF و MLP با مدل های پنمن مانتیس، هایکریوز، ریچ، بلانی کریدل و تورنث وایت مدل های فوق صحت سنجی شده و کارایی هر یک از آنها تعیین گردید.

مواد و روشها

مدل پنمن مانتیس((PM
مدل پنمن مانتیس توسط آلن((1998 به منظور برآورد مقادیر تبخیر و تعرق ارائه شده است. معادله فوق به صورت زیر می باشد:

در اینجا ETO تبخیر و تعرق مرجع، شیب فشار بخار آب اشباع، Rn تابش خورشیدی، G چگالی گرمای خاک، γ میزان سیالی، T میانگین دمای هوا U میانگین سرعت باد در 24 ساعت و در ارتفاع 2 متری، ea فشار بخار اشباع و ed فشار بخار واقعی می باشد.

روش بلانی کریدل
این روش بویژه در نواحی خشک و نیمه خشک کاربرد داشته و اولین بار برای نواحی خشک غرب آمریکا توسعه یافت. در این روش فرض شده که تبخیر و تعرق پتانسیل، بستگی به ساعات روشنایی و دما دارد دارد. روابط کلی در روش بلانی کریدل برای محاسبه تبخیر و تعرق پتانسیل در طی دوره رشد گیاه به صورت زیر می باشد:

که در آنها

PET، تبخیر وتعرق پتانسیل در طی دوره رشد گیاه، K، ضریب تجربی که بستگی به نوع گیاه داشته و از جدول مربوطه قابل استخراج است.

P، درصد ساعات روشنایی روز که برای عرض های جغرافیایی مختلف از جدول قابل استخراج است.

فاکتور Ta، میانگین دمای ماهانه و F، ضریب تبخیر و تعرق فصل رویش گیاه می باشد. بدیهی است که مقدار F فقط در طول ماههای رشد محاسبه می گردد.

روش بلانی کریدل بویژه در طرح های آبیاری جهت تامین آب مصرفی گیاه کاربرد دارد.

جدول.1 مقادیر ضریب K در فرمول بلانی کریدل


روش تورنث وایت
این روش ابتدا برای شرق آمریکا توسعه یافت و تنها از میانگین دمای ماهانه جهت تعیین میزان تبخیر و تعرق پتانسیل استفاده می نماید. رابطه تورنث وایت به صورت زیر می باشد:

که در آن:

PT، تبخیر و تعرق پتانسیل ماهانه، La، ضریب اصلاحی برای تعداد ساعات روشنایی و تعداد روزهای ماه، Ta، میانگین دمای ماهانه و I، جمع 12 اندیس حرارتی می باشد.

اندیس حرارتی برابر است با:

ضریب a از طریق رابطه زیر به دست می آید:

در روش تورنث وایت فرض اساسی بر این است که بین دما با تشعشعات خورشیدی، رطوبت هوا و باد همبستگی خوبی برقرار است، لذا فقط از دما جهت تعیین تبخیر و تعرق پتانسیل استفاده شده است. همچنین نوع پوشش گیاهی در رابطه تونث وایت تاثیری ندارد.

معادله هایگریوز
معادله هایکریوز از ساده ترین و دقیق ترین معادلات استفاده شده در تخمین ET می باشد. معادله فوق به صورت زیر می باشد:

در اینجا ET تبخیر و تعرق مرجع، Tmax و Tmin دمای حداکثر و حداقل بوده و Ra مقادیر تابش در جو می باشد.

مدل ریچ
مدل ریچ توسط جونز و ریچ((1990 مطرح شده و در آن برای برآورد مقادیر ET، معادله زیر ارائه شده است:

در اینجا ET تبخیر و تعرق مرجع، Tmax و Tmin دمای حداکثر و حداقل و Rs تابش خورشیدی می باشد. مقادیر a از طریق معادله زیر محاسبه می گردد:

سیستم استنتاجی فازی عصبی((ANFIS
چانگ((1993 با ارائه یک مدل تعلیمی، از الگوریتم شبکه عصبی مصنوعی و قوانین اگر- آنگاه فازی در قالب توابع عضویت به صورت ترکیبی در تحلیل پدیده ها استفاده کرده است. این مدل از ساختار شبکه عصبی مصنوعی استفاده کرده و تحت عنوان سیستم استنتاجی فازی عصبی شناخته می شود. مدل ANFIS برای به روز کردن پارامترهای توابع عضویت از دو روش استفاده می کند:

-1 برقراری وضعیت پس پراکنش برای تمام پارامترها

-2 استفاده از مدل ترکیبی که در آن پارامترهای مجموعه عضویت ورودی به منظور تهیه توابع عضویت خروجی به صورت پس پراکنش تحلیل می شوند.

در نتیجه این امر، خطای یادگیری درطول فرایند یادگیری، کاهش می یابد. بنابراین اکثر توابع عضویت اولیه بهینه سازی شده و در ساختار مدل ANFIS وارد می شوند. ساختار مدل ANFIS در شکل 4 نشان داده شده است. معمولا در مدل ANFIS دو ورودی x , y و یک خروجی z در نظر گرفته می شود. در مدل فازی سوگنو، قوانین اگرآنگاه به صورت زیر بیان می گردد:

در این معادله، A1,A2,B1,B2 توابع عضویت ورودیهای x,y بوده و p1,q1,r1 و p2,q2,r2 پارامترهای توابع خروجی هستند. توابع مدل ANFIS به صورت زیر می باشد. مدل مذکور به شکل زیر تبیین می شود:

لایه :1 هر گره (node) در این لایه، نشان دهنده درجه عضویت پارامترهای ورودی می باشد.

در این معادله x , y ورودی گره I بوده و Ai,,(Bi-2) مجموعه فازی مرتبط با این گره می باشد. همچنین Ol,I درجه عضویت مجموعه فازی می باشد. توابع عضویت می توانند به شکل زنگوله ای، مثلثی و ذوزنقه ای نمایش داده شوند. توابع زنگوله ای شکل با توجه به مجموعه های عضویت به صورت زیر برآورد می گردند:

در این معادله، a, b,c پارامترها مورد استفاده بوده و در آن حداکثر مقادیر 1 و حداقل آن صفر در نظر گرفته شده است.
لایه:2 هر گره این لایه با برچسب  نشان داده شده و داده های ورودی در آن به صورت زیر پردازش می شوند:

لایهi :3 امین گره این لایه با برچسبN نشان داده شده و از طریق فرمول زیر برآورد می گردد:

لایه :4 در این لایه، داده ها از طریق معادله زیر پردازش می شوند:

در این معادله wi ، خروجی لایه 3 بوده و pi x  qi y  r پارامترهای گره ها می باشند.
لایه :5 گره ها در این لایه با برچسب  نشان داده شده و در آن با جمع تمام داده های ورودی، خروجی نهایی برآورد می گردد.

(14)

مدل شبکه عصبی مصنوعی (ANN)
ساختار مدل شبکه عصبی مصنوعی چندلایه متشکل از چندین لایه موازی هم هست که توسط گره ها مشخص گردیده اند. هر لایه از وزن معینی برخوردار بوده و توسط خطوطی به یکدیگر مرتبط می گردند. شکل 2 یک شبکه عصبی سه لایه متشکل از لایه های i ، j و k را نشان می دهد. پارامترهای Wij و Wjk وزن بین لایه ها را نشان می دهد. در فرایند یادگیری، داده ها توسط یکسری از مقادیر تصادفی که حاصل تجربیات قبلی است تعلیم داده می شوند. سپس وزن ها به صورت سیستمی توسط الگوریتم های یادگیری تغییر می یابند. الگویتم پس پراکنش توسط رومل هارت((1986 ارائه شده و برای تعلیم مدل ANN در این تحقیق مورد استفاده قرار گرفت. به طور کلی برای انتخاب ساختار مناسب برای حل مسائل از سه مرحله تبعیت می شود. این مراحل عبارتند از ساختار تثبیت شده، شبکه تعلیم دهنده و شبکه تست کننده.

مدل ANN می تواند دارای بیش از یک لایه پنهان باشد در حالیکه مباحث تئوریکی نشان می دهد که یک لایه پنهان برای پرسپترون چندلایه کفایت می کند(هورنیک.(1989 بنابراین در این تحقیق از یک لایه پنهان در مدل MLP استفاده شده است. تعداد نورون های لایه پنهان از طریق فرایند آزمون و خطا تعیین می گردد. برای آنالیز گره های ورودی و لایه پنهان به ترتیب از توابع خطی و سیگموئید استفاده می شود.
در این تحقیق مقایسه ای بین مدل های فوق صورت گرفته و بهترین مدل در برآورد تبخیر و تعرق تعیین گردید.

در متن اصلی مقاله به هم ریختگی وجود ندارد. برای مطالعه بیشتر مقاله آن را خریداری کنید