مقاله انتخاب بهترین ترکیب عملگرهای ژنی برنامه ریزی ژنتیک جهت تخمین تبخیر روزانه

word قابل ویرایش
12 صفحه
دسته : اطلاعیه ها
12700 تومان
127,000 ریال – خرید و دانلود

انتخاب بهترین ترکیب عملگرهای ژنی برنامه ریزی ژنتیک جهت تخمین تبخیر روزانه
خلاصه
تبخیر به عنوان یک فرآیند پیچیده هیدرولوژیکی و دخیل بودن بسیاری پارامترهای اقلیمی به سادگی قابل تخمین نمی باشد، از اینرو مدل سازی و برآورد صحیح آن از اهمیت فوق العاده ای در مهندسی آب برخورداراست . امروزه برنامه ریزی ژنتیک به عنوان یکی از روشهای فراکاوشی قادر به شناسایی عوامل موثر، حذف پارامترها غیر موثر و همچنین ارائه روابط صریح ریاضی براساس عملگرهای ژنی در فرآیندهای پیچیده همچون تبخیر می باشد. در این پژوهش از برنامه ریزی ژنتیک برای تخمین تبخیر روزانه شهرتبریز در استان آذربایجانشرقی بهره گرفته شده است . پارامترهای متعدد همچون دما، سرعت باد، رطوبت نسبی ، ساعات آفتابی ، بارش، دمای خاک و تشعشع خورشید به عنوان دادههای ورودی و تبخیر روزانه به عنوان خروجی لحاظ گردیده اند و سپس بر اساس عملگرهای ژنی با ترکیب های متعدد شبیه سازی صورت پذیرفته است . در نهایت کارایی مدل ارائه شده بر اساس معیارهای خطا و دقت مورد ارزیابی قرار گرفت که نتایج حاکی از قابلیت برنامه ریزی ژنتیک در برآورد تبخیر روزانه در منطقه می باشد.
کلمات کلیدی: برنامه ریزی ژنتیک، پارامترهای اقلیمی ، تبخیر روزانه ، تبریز، عملگر ژنی .

١. مقدمه
تخمین صحیح تبخیر به عنوان یکی از اجزای اصلی چرخه هیدرولوژیکی در مطالعات بیلان آبی ، بهره برداری از مخازن، طراحی سیستم های آبیاری و برنامه ریزی و مدیریت منابع آب برای دستیابی به توسعه پایدار نقش بسزایی دارد. تقریبا ٧۵% از کل بارش سالانه در سطوح زمین به صورت تبخیر و تعرق وارد اتمسفر می شود (سینگ ، ١٩٨٩) و این نشان دهنده اهمیت این موضوع در تعادل آب در جهان است . این تلفات بخصوص در مناطق با بارندگی کم ، سهم قابل توجهی از بیلان آب را برای دریاچه ها و مخازن داشته ومی تواند باعث افت شدید ارتفاع سطح آب شود. با محاسبه نسبتا دقیق تبخیر از سطح آزاد می توان راهکارهای اساسی و مدیریتی موثر در جهت کاهش اثرات بحران ناشی از خشکسالی و حفاظت از منابع آب اعمال کرد (یزدانی و همکاران، ١٣٨٩). با توجه به فعل و انفعالات پیچیده بین سیستم های زمین ، گیاه و اتمسفر، تبخیر و تعرق یک فرآیند غیر خطی و متغیر در زمان و مکان است و به خاطر دشواری و پیچیدگی فرآیند مذکور از سوی محققان معادلات تجربی مختلفی شامل پنمن ١٩۴٨، تورنت وایت ١٩۴٨، بلانی کریدل ١٩۵٠، تورک ١٩۶١، هارگریوز- سامانی ١٩٨۵، جنس هیز١٩۶٣، پنمن – مانتیث ١٩۶۵ و فائو پنمن – مانتیث ١٩٩٨ ارائه شده است (علیزاده و همکاران،١٣٨۶). این معادلات تجربی گرچه ساده بشمار می روند اما کاربرد آنها برای دوره های کوتاه تر از ماهانه توصیه نمی شوند (علیزاده، ١٣٨۵) علاوه بر آن تعداد کثیری از اطلاعات اقلیمی برای مدل بندی مورد نیاز است که عواملی چون مشکلات اندازه گیری آنها و یا فقدان چنین داده هایی باعث شد تا ضرورت توسعه یک رویکرد جایگزین برای تخمین میزان تبخیر بر مبنای متغیرهای هواشناسی با قابلیت اندازهگیری و تخمین راحت تر آشکار گردد. یکی از رویکردهای اخیر استفاده از روش های فراکاوشی شبکه عصبی مصنوعی است که انعطافپذیری و توانایی بیشتری نسبت به مدل های تجربی گذشته دارند(گوئل ،٢٠٠٩). برتن و همکاران (٢٠٠٠) با استفاده از شبکه عصبی تبخیر روزانه از تشتک را تخمین زدند. ایشان برای مدل بندی شبکه از ٢٠۴۴ داده هواشناسی شهرهای مختلف جهان استفاده نمودند. کسین و ترزی (٢٠٠۶) یک شبکه چند لایه پرسپترونی را برای مدلسازی تبخیر روزانه از تشتک توسعه دادند. ایشان دریافتند عملکرد شبکه عصبی مصنوعی نسبت به روش های پیشین قابل ملاحظه می باشد. کیسی (٢٠٠٩) از سه تکنیک مختلف شبکه عصبی مصنوعی شامل MLP ،PBNN و GRNN برای تخمین تبخیر روزانه از تشتک بهره گرفتند. ارزیابی این سه تکنیک نشان داد MLP و PBNN نتایج مطلوبتری نسبت به GRNN تولید می کنند. شیرسات و سینگ (٢٠١٠) کاربرد شبکه عصبی ، رگرسیون آماری و چند مدل اقلیمی را در پیش بینی میزان تبخیر روزانه از تشتک در منطقه ای با آب و هوای نیمه خشک با استفاده از داده های روزانه شش متغیر دمای ماکزیمم ، دمای منیمم هوا، ساعات آفتابی ، سرعت باد و رطوبت نسبی در دهلی نو هند بررسی نمودند. در مقایسه با سایر روشها مدل شبکه عصبی شامل کلیه متغیرهای هواشناسی بهترین عملکرد را در تخمین تبخیر روزانه داشته است . قبائی و همکاران(١٣٨٩) از دو روش رگرسیون گام به گام (FS) وگاما تست (GT) برای پیش پردازش پارامترهای ورودی به شبکه عصبی پرسپترون چند لایه جهت تخمین تبخیر و تعرق روزانه در ایستگاه سینوپتیک شیراز استفاده نمودند. با استفاده از این دو روش ترتیب اهمیت پارامترهای ورودی به شبکه عصبی تعیین گردید. نتایج حاصل از معیارهای مختلف آماری نشان داد دقت مدل ANN-GT بیشتر از مدل ANN-FS و ANN می باشد. یزدانی و همکاران (١٣٨٩) برای تعیین تبخیر از سطح آزاد آب از روش مه یر، مارسیانو، شاهتین ، هنفر، ایوانف ، تیچومیروف، سازمان عمران ارتش آمریکا و شبکه عصبی استفاده کرده و با مقادیر تبخیر از تشتک مقایسه نمودند. نتایج نشان داد شبکه عصبی با آرایش ۴-۴-١ و تابع محرک تانژانت هایپربولیک و در بین روشهای تجربی روش ایوانف بهترین عملکرد را در تعیین تبخیر از سطح را برخوردار می باشند.
اگرچه تمامی تحقیقات مذکور نشان از دقت بالای شبکه های عصبی نسبت به روابط تجربی و الگوهای رگرسیونی می باشد ولی این الگو دارای ساختاری پیچیده و غیر صریح می باشد لذا توسعه یک مدل صریح و آسان ضروری می باشد. برنامه ریزی ژنتیک به عنوان یک الگوریتم گردشی می تواند رهیافتی در این زمینه باشد. از مشخصه های مهم آن ، بهینه سازی همزمان ساختار مدل و ضرایب می باشد. در دهه اخیر روشهای محاسباتی تکاملی از جمله برنامه ریزی ژنتیک ١، به عنوان روشهای تناوبی موثر در پیش بینی دادهها ، در زمینه های مختلف هیدرولوژیکی گسترش یافته است از جمله آیتک و کیسی (٢٠٠٨) روش برنامه ریزی ژنتیک رابرای الگوسازی رسوبات معلق رودخانه ها بعنوان مدلی برتر نسبت به دو روش منحنی سنجه رسوب و روشهای مولتی رگرسیونی خطی معرفی نمودند. گون و همکاران (٢٠٠٨) از برنامه ریزی ژنتیک برای پیش بینی آبشستگی موضعی در پایین دست سازههای هیدرولیکی استفاده نمود. آیتک و همکاران (٢٠٠٨) توانایی دو الگوی شبکه عصبی (FFBP) و (GRNN) و برنامه ریزی بیان ژن (GEP)٢، در مدلسازی بارش – رواناب روزانه در حوضه رودخانه جونیاتا مورد ارزیابی قرار دادند. قربانی (٢٠٠٩) و قربانی و همکاران (٢٠١٠) با بکارگیری دو روش هوشمند برنامه ریزی ژنتیک و شبکه عصبی مصنوعی برای پیش بینی نوسانات سطح آب دریا به ترتیب در بندر هیلاری در استرالیا وجزایر کوکوس واقع در اقیانوس هند پرداختند. خطیبی و همکاران (٢٠١١) از مقایسه سه روش شبکه عصبی ، استنتاج فازی و برنامه ریزی ژنتیک ، تکنیک برنامه ریزی ژنتیک به دلیل عملکرد بالای آن جهت مدلسازی جریان رودخانه کیزیل ایرماک انتخاب نمودند. سلطانی و همکاران (١٣٨٩) برای استخراج رابطه دبی – اشل در دو ایستگاه یامولا و سوقاتلوهان ترکیه از سه روش شبکه عصبی ، استنتاج فازی و برنامه ریزی ژنتیک بهره گرفتند. پژوهش هایی نیز در رابطه با شبیه سازی و استخراج روابط فرآیند تبخیر صورت گرفته است . پراسورامن و همکاران (٢٠٠٧) از شبکه عصبی مصنوعی و برنامه ریزی ژنتیک فرآیند تبخیر واقعی را به صورت تابعی از تشعشع خورشیدی، دمای خاک ، دمای هوا، سرعت باد و رطوبت نسبی شبیه سازی نمودند. تجزیه وتحلیل نتایج نشان داد تشعشع خورشیدی و دمای خاک بیشترین تاثیر را بر روی تبخیر واقعی در منطقه دارد. ایزدیفر و همکاران (٢٠١٠) برای برآورد تبخیر واقعی ساعتی براساس پنج پارامتر هواشناسی از تکنیک های داده- کاوی ١ مختلف شامل شبکه عصبی مصنوعی ، برنامه ریزی ژنتیک و رگرسیون چندگانه در کانادا استفاده نمودند. در این راستا کارایی مدل فیزیکی هایدروس یک بعدی را در برآورد تبخیر واقعی نیز مورد ارزیابی قرار دادند. ارزیابی این مدلها حاکی از عملکرد بهتر برنامه ریزی ژنتیک و رگرسیون چندگانه نسبت به شبکه عصبی بود از بین پارامترهای هواشناسی دمای خاک و تشعشع خورشیدی بیشترین سهم را به خود اختصاص دادند. مدل فیزیکی هایدروس عملکرد ضعیف تری نسبت به بقیه مدلهای مذکور از خود نشان داد. بارودی و همکاران (٢٠١٠) عملکرد برنامه ریزی ژنتیک و شبکه عصبی را با مدل (EPR)٢ در برآورد فرآیند تبخیر و تعرق مورد ارزیابی قرار دادند. در این تحقیق تاثیر تاخیر دادههای ورودی در خصوصیات تبخیر و تعرق واقعی توسط مدل EPR مورد بررسی قرار گرفت . نتایج نشان داد روش EPR توانایی تولید مدل ساده تری نسبت به دو روش دیگر را دارا بوده و تاخیر زمانی دادهها باعث افزایش عملکرد مدل می شود. این روش قدرت بیشتری در یافتن ضرایب ثابت نسبت به برنامه ریزی ژنتیک را دارا بوده و از تولید توابعی که در طول زمان رشد می – کنند جلوگیری می کند. گون و همکاران (٢٠١١) برای مدل بندی تبخیر روزانه از تشتک از تکنیک برنامه ریزی ژنتیک خطی (LGP) و با متغیرهای ورودی هواشناسی برای سه ایستگاه در کالیفرنیا بهره گرفتند. نتایج مقایسه عملکرد این مدل با مدل برنامه – ریزی بیان ژن (GEP )، شبکه عصبی چند لایه (MLP)، شبکه عصبی رگرسیونی (GRNN) و مدل استفنز- استوارت (SS) نشان داد LGP توانایی بیشتری در برآورد تبخیر روزانه را دارا می باشد.
٢. مواد و روشها
در پژوهش حاضر داده های اقلیمی مربوط به ایستگاه سینوپتیک تبریز واقع در موقعیت جغرافیایی ٣٨ درجه و ۵ دقیقه عرض شمالی و ۴۶ درجه و ١٧ دقیقه طول شرقی و ارتفاع ١٣۶١ متری از سطح دریا با دوره آماری ١٣٨٠ تا ١٣٨٨ برای شبیه سازی تبخیرروزانه مورد استفاده قرار گرفته است . داده های مورد استفاده شامل دما (°C)، سرعت باد (km.hr) ، رطوبت نسبی (%)، ساعات آفتابی (hr)، بارش(mm) ، دمای خاک (°C)و تشعشع خورشید (KJ.md٢) از سازمان هواشناسی استان آذربایجان شرقی تامین گردیده و ماههای سرد سال به دلیل وجود یخبندان در محاسبات منظور نشده است .
٣. برنامه ریزی ژنتیک
برنامه ریزی ژنتیک تعمیم یافته الگوریتم ژنتیک می باشد که برای اولین بار بر اساس تئوری داروین ارائه شد و به این ترتیب کـه جمعیتی در جهت تکامل به صورت انتخابی ، جمعیت نامناسب را رها کرده و فرزندانی اصلاح شده ایجاد می کنند. برنامـه ریـزی ژنتیک یک تکنیک برنامه ریزی خودکار می باشد که راه حل مسئله را با استفاده از برنامه کامپیوتری ارائه می کنـد.در ایـن روش در ابتدای فرآیند، هیچگونه رابطه تابعی در نظر گرفته نشده و این روش قادر به بهینه سازی ساختار مدل و مولفه هـای آن مـی – باشد(سلطانی ، ١٣٨٩). برنامه ریزی ژنتیک روی ساختار درختی فرمولها به جای سلسله ارقام دودوئی عمـل مـی کنـد. سـاختار درختی از مجموعه توابع (عملگرهای ریاضی مورد استفاده در فرمول ها) و ترمینال ها (متغیرهای مسئله و اعداد ثابت ) ایجاد می – شوند (کوزا، ١٩٩٢). عملگرهای ژنتیکی به کار رفته در این مدل عبارت است از ترکیب ٣، جهش ۴ و تولید مثل ۵ که از بـین ایـن موارد ترکیب اصلی ترین عملگر می باشد. با توجه به تحقیقات انجام شده ثابت شده است که برنامه ریزی ژنتیـک روشـی مناسـب برای مدلسازی فرایندهای غیرخطی و پیچیده مـی باشـد از اینـرو ایـن مـدل بـه صـورت گسـترده در مدلسـازی فرآینـدهای هیدرولوژیکی از جمله تبخیر مورد استفاده قرار می گیرد. فرآیند گام به گام برنامه ریزی ژنتیک (شکل ١) به صورت مراحل زیـر است (بورللی و همکاران ، ٢٠٠۶)
١- یک جمعیت اولیه از توابع مرکب نشان دهنده مدلهای پیش بینی ، به صورت تصادفی در نظر گرفته می شود.
٢- هر یک از افراد جمعیت مذکور با استفاده از توابع برازش، مورد ارزیابی قرار می گیرند.
٣- در هر تولید، مراحل زیر برای انتخاب یک جمعیت جدید دنبال می شود: الف ) یکی از عملگرهای عبور، جهش و کپی انتخاب می شود ب) تعداد مناسبی از افراد جمعیت حاضر انتخاب می شوند ج) از عملگر انتخابی برای تولید فرزند استفاده می شود د) فرزند یاد شده در یک جمعیت جدید وارد می شود
ه) مدل مورد نظر با استفاده از برازشهای مختلف مورد ارزیابی واقع می شود.
۴- گام سوم تا نیل به حداکثر تعداد تولید، تکرار خواهد شد.

۴. بحث و نتایج
تبخیر هم به لحاظ تأثیر بر کمیت و هم به لحاظ تأثیر بر کیفیت آب، همواره در برنامه ریزی منابع آب پارامتر مهمی به شمار آمده و در مواقع و مناطقی که کمبود آب قابل استحصال به ویژه برای شرب و کشاورزی وجود دارد، این اهمیت دوچندان می گردد. تبخیر به عنوان یک فرآیند پیچیده هیدرولوژیکی غیر خطی و دخیل بودن بسیاری پارامترهای اقلیمی به سادگی قابل تخمین نمی باشد. در دهه اخیر استفاده از مدلهای هوشمند در این زمینه از جمله تکنیک برنامه ریزی ژنتیک به دلیل برخورداری از قابلیت تشخیص الگو و تخمین توابع غیر خطی بین متغیرهای ورودی و خروجی ، بسیار توسعه یافته است . با توجه به توانمندی مدل های هوشمند، در این پژوهش از برنامه ریزی ژنتیک برای تخمین تبخیر روزانه شهرتبریز در استان آذربایجانشرقی بهره گرفته شده است . در این سیستم ابتدا باید بهترین الگوی ورودی به سیستم مشخص شود. برای این منظور ابتدا بایستی الگوهای ورودی مختلفی را به سیستم عرض نمود. در نهایت از بین الگوهای مختلف شامل متغیرهای دما (T)، سرعت باد(W)، رطوبت نسبی (RH)، ساعات آفتابی (Sun) ، بارش (R)، دمای خاک در ۵سانتی متری سطح زمین (TG۵) و تشعشع خورشید (SR) ترکیبی را که بهترین کارایی را ایجاد می کند براساس معیارهای ارزیابی ضریب تعیین (R٢)، جذر میانگین مربعات خطا (RMSE) و میانگین خطای مطلق (MAE) به عنوان مناسب ترین الگوی ورودی در نظر گرفته می شود. از دادههای هواشناسی موجود با دوره آماری ٨ ساله ، ٧٠% برای آموزش و ٣٠% باقی مانده جهت تست مدل مورد استفاده قرار گرفت . در جدول ١ مشخصات برنامه ریزی ژنتیک بکار گرفته شده در این تحقیق را نشان می دهد. در علوم نظیر هیدرولوژی و مهندسی آب که در آن روابط ساده طبیعی برقرار بوده و نیز بر اساس تجربیات بدست آمده از نتایج کار محققان پیشین ، مشخص شده است که روابط حاکم بر عوامل موثر در علوم موثر در علوم وابسته به آب و سایر علوم نزدیک به آن عمدتا از نوع روابط ساده جبری می باشد. از اینرو در این تحقیق نیز جهت شبیه سازی تبخیر روزانه با نرم افزار Discipulus از عملگرهای پیچیده جبری و مثلثاتی موجود در برنامه صرفنظر نموده و برای بدست آوردن نتایج نزدیک به واقعیت از چهار عملگر ریاضی +، – ، *و . استفاده شده است .

در تحقیق حاضر از ۵ مدل مختلف با الگوهای ورودی مختلف جهت شبیه سازی استفاده گردید. نتایج حاصل از مدلهای مذکور در جدول ٢ بر اساس معیارهای ارزیابی ، با یکدیگر مقایسه شدند. به طور کلی مدلهای حاصله در محدوده اطمینان مناسبی برای شبیه سازی و تخمین تبخیر روزانه در ایستگاه تبریز قرار گرفته اند و با افزایش تعداد پارامترهای هواشناسی میزان عملکرد مدلها افزایش می یابد. ولی از میان نتایج ، مدل سوم که ترکیبی از پارامترهای تشعشع خورشیدی، سرعت متوسط باد، رطوبت نسبی متوسط ، دمای متوسط و دمای خاک می باشد، دارای کمترین خطا و بیشترین هم بستگی بوده و بعنوان بهترین مدل از میان مدل های ساخته شده انتخاب گردید.

در شکل ٢ میزان همبستگی بین مقادیر مشاهداتی و محاسباتی تبخیر روزانه توسط برنامه ریزی ژنتیک ارائه شده است .
همانطور که مشاهده می شود بهترین خط برازشی به نسبت خط ١:١ نزدیک است و اختلاف بین مقادیر مشاهداتی و برآوردی در حد قابل قبولی 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 12 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