مقاله برآورد تبخیر تعرق مرجع روزانه با حداقل داده های هواشناسی در اقلیم های نیمه خشک منتخب ایران

word قابل ویرایش
25 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 ***

برآورد تبخیر تعرق مرجع روزانه با حداقل داده های هواشناسی در اقلیم های نیمه خشک منتخب ایران

تخمین صحیح و دقیق تبخیر-تعرق تأثیر بسزایی در مدیریت و برنامه ریزی صحیح منابع آب به ویژه در مناطق نیمه خشک و خشک دارد. روش های متعددی برای برآورد تبخیر-تعرق توسط محققان ارائه شده است . از جمله این روش ها میتوان به انواع معادلات تجربی و روش های داده محور اشاره کرد. در این مطالعه از سه روش داده محور شبکه های تطبیقی مبتنی بر سیستم استنتاج فازی (ANFIS)، مدل درختی (M5) و ماشین های بردار پشتیبان (SVM) و پنج معادله تجربی برای تخمین تبخیر-تعرق روزانه در هشت اقلیم نیمه خشک ایران استفاده شده است . برای این منظور از داده های هواشناسی حداکثر و حداقل دما، رطوبت نسبی، سرعت باد و ساعات آفتابی و ١١ ترکیب مختلف این متغیرها بین سال های ١٩٨٠ تا ٢٠٠٩ به عنوان ورودی بــه روش های داده محور بــرای مدل سازی تبخیر-تعرق بهره گرفته شد که ٨٠% داده ها برای آموزش و ٢٠% آن ها برای آزمون مدل ها استفاده شد. سپس نتایج حاصله با مقادیر به دست آمده از معادله استاندارد پنمن – مانتیث فائو ۵۶ مقایسه شدند. عملکرد روش های مورد نظر با استفاده از شاخص های آماری میانگین مربعات خطا (RMSE)، ضریب تبیین (R2) و شاخص توافق (d) مورد بررسی قرار گرفت . روش های ماشین بردار پشتیبان و شبکه تطبیقی مبتنی بر سیستم استنتاج فازی در نه ترکیب متغیرهای هواشناسی بهترین عملکرد را با RMSE بین ٠.٢۴ تا ١.۵۵ میلیمتر بر روز ارائه دادند. RMSE معادلات تجربی در دامنه بین ٠.٧١ تا ۵.٩۶ میلیمتر بر روز متغیر بودند و از میان آن ها معادلات بلانی – کریدل و مک گاینس -بردنه در غالب ایستگاه ها بالاترین دقت را داشتند.
همچنین روش M5 نسبت به دو روش ANFIS و SVM در مواجهه با ورودیهای مختلف در اقلیم های مطالعاتی عملکرد پایین تری را از خود نشان داد.
کلمات کلیدی: تبخیر-تعرق مرجع روزانه ، معادلات تجربی، اقلیم نیمه خشک ، ANFIS،SVM ، M5.

١- مقدمه
امروزه رشد جمعیت و نیاز بیش از پیش به منابع آب شیرین باعث چالش جدی در ایجاد منابع آب پایدار شده است . در این راستا متخصصان به دو رویکرد عمده تولید آب و استفاده بهینه از منابع آب توجه زیادی داشته اند. برنامه ریزی، بهینه سازی و شبیه سازی در حوضه منابع آب نیازمند شناسایی و برآورد صحیح پارامترهای مختلفی از جمله تبخیر-تعرق میباشد. اندازه گیری دقیق تبخیر- تعرق نیازمند ابزاری گرانقیمت میباشد که امکان استفاده از آن ها در همه نقاط وجود ندارد. از این رو محققان همواره به دنبال روابط و روش های کاربردی، کم هزینه و با دقت مناسب برای برآورد صحیح مقدار این پارامتر بوده اند. روش های متعددی برای برآورد صحیح تبخیر-تعرق در سراسر دنیا توسعه داده شده است . از جمله این روش ها میتوان به معادلات تجربی پریستلی-تیلور، بلانی-کریدل ، مک گاینس -بردنه و روش های داده محور از جمله شبکه های عصبی مصنوعی، ماشین بردار پشتیبان و مدل های درختی اشاره نمود. یکی از مشکلات عمده معادلات تجربی انعطاف پذیری پایین در برخورد با داده های مختلف است که منجر به نتایج ضعیف معادلات میگردد.
روش های داده محور با توجه به انعطاف پذیری بــالا، در مــدل سازی شرایط مختلف یک پدیده توانایی خوبی را دارا هستند.
(٢٠٠٩) Kisi and Ciman از روش ماشین بردار پشتیبان (SVM) و شبکه عصبی مصنوعی (ANN) برای مدل سازی تبخیر-تعرق در منطقه ای در ایالت کالیفرنیا استفاده نمودند. در این تحقیق از ET بدست آمده از معادله استاندارد پنمن -مانتیث فائو ۵۶ داده های oبه عنوان ورودی های SVM و ANN استفاده گردید. نتایج نشان داد که SVM در هر سطح داده ورودی به مدل نتایج بهتری نسبت به ANN دارد. (٢٠٠٩) .Douglas et al در مطالعه ای بر روی تیپ های زمین های دارای پوشش فلوریدا، مدل های تخمین تبخیر- تعرق پتانسیل تورک، پنمن و پریستلی-تیلور را با یکدیگر مقایسه کردند. در این مقایسه از ١٨ ایستگاه همدید با مدت زمان های متفاوت در چهار منطقه سطح آزاد آب ، تالاب ، پوشش چمن و باغات مرکبات استفاده شد. حاصل این مقایسه ، تأیید روش پریستلی-تیلور در تخمین تبخیر-تعرق پتانسیل در مقابل دو روش دیگر در مقیاس روزانه بود. (٢٠١٢) .Adeloye et al در تحقیقی پیش بینی تبخیر- تعرق مرجع توسط شبکه های عصبی خود سازمان دهنده مورد ارزیابی قراردادند. در این مطالعه از داده های روزانه سینوپتیک بین سال های ٢٠٠۶-١٩٩٧ ایستگاه هواشناسی دانشگاه ادینبورگ ۳ انگلستان به عنوان ورودی های مدل های شبکه عصبی SOM و تجربی استفاده شد. نتایج حاکی از توانایی بالای شبکه های عصبی مصنوعی و معادله تجربی هارگریوز در تخمین صحیح تبخیر-تعرق پتانسیل بوده است . بختیاری و همکاران (١٣٨٨) دو مدل تبخیر-
تعرق پنمن -مانتیث فائو ۵۶ و پنمن -مانتیث انجمن مهندسین عمران آمریکا ASCE را برای بازه های ساعتی در اقلیم گرم خشک کرمان مورد ارزیابی قرار دادند. در این مطالعه داده های خرجی از دو مدل با داده های به دست آمده از لایسیمتر وزنی الکترونی طی ماه های فروردین لغایت شهریورماه ١٣٨۴ مورد مقایسه قرار گرفت . نتایج نشان داد که هر دو مدل در هر ماه مقدار کمتری تبخیر-تعرق را نسبت به داده های لایسیمتر در مقیاس ساعتی برآورد کرده اند.
شهابیفر و همکاران (١٣٨٩) در مطالعه ای به ارزیابی و مقایسه هفت روش تخمین تبخیر-تعرق با داده های لایسیمتر در شرایط گلخانه ای برای گیاه چمن پرداختند. در این تحقیق کلیه داده های هواشناسی به صورت دستی در محیط گلخانه موسسه تحقیقات گیاه پزشکی کشور طی مدت زمان اسفندماه ١٣٨۵ تا خردادماه ١٣٨۶ به صورت روزانه برداشت گردید. نتایج حاکی از این بود که معادله پنمن -مانتیث فائو دارای بیش ترین دقت و روش بلانی-کریدل کمترین دقت را برای شرایط گلخانه ای دارا است . رحیمی خوب و محمودی (١٣٩٠) با مطالعه بر روی تبخیر-تعرق واقعی حوضه معرف امامه به ارزیابی شبکه های عصبی مصنوعی در برآورد این پارامتر با حداقل داده های ورودی هواشناسی و هیدرولوژیک پرداختند. میزان تبخیر-تعرق واقعی از طریق معادله بیلان آب حوضه محاسبه شد که شبکه عصبی مصنوعی با ورودی های کامل داده های هواشناسی بهترین نتایج را ارائه نمود. شاهدی و زارعی (١٣٩٠) به مقایسه عملکرد مدل های تجربی تبخیر-تعرق بر روی اقلیم مرطوب استان مازندران پرداختند.
این محققان از چهار معادله تورنت وایت ، پنمن ، بلانی-کریدل و هارگریوز-سامانی به عنوان مدل های مورد ارزیابی و از خروجی های مدل فائو پنمن -مانتیث به عنوان مدل مبنا و داده های هواشناسی ١٠ ساله چهار ایستگاه این استان استفاده شد. نتایج نشان دهنده عملکرد بهتر معادله بلانی-کریدل با کمترین خطا و بیش ترین همبستگی با مدل پنمن -مانتیث فائو بود. احمدزاده قره گویز و همکاران (١٣٨٩) دقت شبکه های عصبی مصنوعی، ANFIS و معادلات تجربی را در برآورد تبخیر-تعرق گیاه مرجع در مناطق بسیار خشک را مورد مطالعه قرار دادند. نتایج حاکی از برتری مدل ANFIS۴ با ورودی های دمای حداکثر، سرعت باد و تابش نسبت به سایر مدل ها بود. سلطانی و همکاران (١٣٩١) در مطالعه ای از آمار روزانه هواشناسی ٢۵ ساله (٢٠٠٨-١٩٨۴) چهار اقلیم بسیار خشک ، خشک ، نیمه خشک و مرطوب ایران و معادله پنمن -مانتیث به عنوان معادله استاندارد تبخیر-تعرق استفاده نمودند. نتایج نشان داد که مدل های کاهش داده شده پنمن -مانتیث نسبت به شبکه عصبی مصنوعی و روابط هارگریوز و تورک عملکرد بهتری دارند. مرادی و همکاران (١٣٩١) با استفاده از معادله استاندارد پنمن -مانتیث فائو تبخیر-تعرق ساعتی گیاه مرجع را برای منطقه خشک فریمان با استفاده از داده های سال های ٢٠٠٩-٢٠٠٨ محاسبه نمود و عملکرد مدل تبخیر-تعرق ASCE و ANFIS را در برابر مدل پنمن -مانتیث فائو مورد آزمون قرارداد. نتایج نشان دهنده آن بود که مدل ANFIS با سه ورودی تابش ، رطوبت نسبی و دما دارای بهترین دقت و عملکرد است . اسلامیان و همکاران (٢٠٠٩) نیز توانایی روش SVM و ANN در مدل سازی تبخیر-تعرق در محیط گلخانه را بررسی کردند.
در این مدل سازی از داده های هواشناسی در درون گلخانه دانشگاه صنعتی اصفهان طی سپتامبر ٢٠٠٧ تا سپتامبر ٢٠٠٨ و داده های مربوط به تبخیر-تعرق مرجع از داده های تشت تبخیر استفاده شد.
نتایج نشان داد که هر دو روش مورد مقایسه با عملکرد خوبی مدل سازی انجام دادند اما SVM دارای عملکرد بالاتری بود. یکی از مشکلاتی که در بسیاری از مناطق از جمله مناطق نیمه خشک وجود دارد، محدودیت دسترسی به انواع متغیرهای هواشناسی است . هدف از انجام این تحقیق بررسی و ارزیابی چندین روش داده محور برای مدل سازی و پیش بینی مقادیر تبخیر تعرق بر اساس حداقل داده های اقلیمی در اقلیم های نیمه خشک منتخب ایران بوده است . بنابراین لازم بوده که ترکیبات مختلف ورودی با ساختارهای مختلف روش های داده محور مورد بررسی قرار گیرد و در نهایت مناسبترین روش برای مدل سازی در مناطق مطالعاتی با حداقل داده های مورد نیاز ارائه گردد. همچنین در این مطالعه سعی شده تا عملکرد روش های داده محور ANFIS،SVM و M۵ در برآورد تبخیر-تعرق با حداقل داده های هواشناسی و معادلات تجربی پرکاربرد پریستلی-تیلور، هارگریوز- سامانی، مک گاینس – بردنه ، بلانی-کریدل و جنسن – هیز مورد بررسی قرار گرفته و مناسبترین آن ها برای مناطق مطالعاتی ارائه گردد.
٢- مواد و روش ها
٢-١- مشخصات ایستگاه های سینوپتیک مناطق منتخب نیمه خشک
در این مطالعه از داده های هواشناسی هشت ایستگاه سینوپتیک که در طبقه بندی اقلیمی دومارتن پیشرفته دارای اقلیم نیمه خشک بودند استفاده گردید. موقعیت ایستگاه های سینوپتیک منتخب در شکل ١ و مشخصات آن ها در جدول ١ ارائه شده است . داده های هواشناسی حداکثر و حداقل دما، رطوبت نسبی، سرعت باد و ساعات آفتابی در مقیاس روزانه در دوره ٣٠ ساله (٢٠٠٩-١٩٨٠) از سازمان هواشناسی کشور جمع آوری گردیده است که ٢۴ سال از آن ها به عنوان داده های آموزش (٢٠٠٣-١٩٨٠) و ۶ سال به عنوان داده های آزمون (٢٠٠٩-٢٠٠۴) قرار داده شد.

٢-٢- روش های داده محور
٢-٢-١-شبکه تطبیقی مبتنی بر سیستم استنتاج فازی (ANFIS)
اگرچه ANN یک ابزار قدرتمند برای مدل سازی پدیده های مختلف طبیعی است ، اما نقص هایی هم در آن دیده میشود. ترکیب شبکه های عصبی مصنوعی و منطق فازی میتواند باعث هم کوشی در بهبود سرعت ، دامنه خطا و تطبیق پذیری گردد. ANFIS با ترکیب قواعد پایه سیستم فازی با توانایی یادگیری شبکه های عصبی توسعه یافته است . مدل ANFIS ارائه شده یک شبکه عصبی چند لایه بر پایه سیستم فازی با پنج لایه میباشد. در این ساختار، گره های ورودی و خروجی به ترتیب نشان دهنده ورودیها و پاسخ های خروجی است و در لایه های مخفی گره های عملگر به عنوان توابع عضویت و قواعد وجود دارند. نمونه این معماری در شکل ٢ نشان داده شده است که در آن دایره نشان دهنده گره های ثابت و مربع نشان دهنده گره های تطبیق پذیر میباشد. در این شکل ، دو ورودی x و y و یک خروجی z نشان داده شده است .
در بسیــاری از مدل های فازی مدل Sugeno بدلیل تفسیرپذیــری، قابلیت محاسباتی بالا و ساخته شده توسط روش های بهینه و تطبیق پذیر، در دامنه وسیعی بکار برده میشود. برای اولین دستورالعمل مدل فازی Sugeno، یک مجموعــه قــاعده با دو قانون اگــر-آنگاه فازی بــه صورت ذیل میتوان بررسی کرد (١٩٩٣ ,Shing and Jang):

که Ai و Bi مجموعه های فازی ابتدایی و pi و qi و ri پارامترهای طراحی هستند که در هنگام فرآیند آموزش ، تعیین میگردند. معماری ANFIS شامل پنج لایه میباشد:
لایه ١: درجه عضویت هر متغیر ورودی در هر گره از این لایه تعیین میشود که این تابع عضویت در رابطه ١ نشان داده شده است .

که μAi و μBi میتوانند هرگونه تابع عضویت فازی قبول کنند.
لایه ٢: این لایه شامل گره هایی است که ضرب در سیگنال های ورودی میگردد و نتایج را به خارج میفرستد. هر گره در این لایه
میـــزان درجــه تطابق ورودیهــا با قاعده (وزن ) را توسط رابطه ٢

اندازه گیری میکند.

ایه ٣: iامین گره در این لایه نسبت وزن iامین قاعده به مجموع وزن های قواعد (رابطه ٣) را محاسبه میکند که مقدار نرمال شده وزن ها است .

لایه ۴: گره i در این لایه سهم iامین قاعده را در ایجاد خروجی مدل محاسبه میکند (رابطه ۴). پارامترهای این لایه را پارامترهای برآیند نیز میگویند.

لایه ۵: این لایه را لایه خروجی نیز میگویند و تنها گره آن خروجی نهایی است که مجموعه همه سیگنال های ورودی را محاسبه میکند (رابطه ۵)

٢-٢-٢- مدل درختی M5
مدل M5 یکی از زیرشاخه های ماشین های آموزش (آموزش تجربی ) مرتبط با ساخت یا بازبینی مدل ها در تعداد زیاد نمونه های آزمایشی است که به تخمین مسائل رایج مثل داده های گم شده و نویزها می پردازد (١٩٩٢ ,Quinlan). اولین بار مدل M5 توسط (١٩٩٢) Quinlan ارائه گردید و پس از آن توسط وانگ و وایتن (١٩٩٧) تحت نام ‘M5 احیا و بهبود بخشیده شد. مجموعه داده های آموزشی T دارای همبستگی در یک برگ (زیر مجموعه ) هستند یا توسط بعضی از آزمون ها مجموعه T به یکسری زیرمجموعه متناظر با خروجی های آزمون تقسیم میگردند و همان مرحله بر روی زیرمجموعه ها به صورت بازگشتی اعمال می گردد. این تقسیم شدید، اغلب تولید یک ساختار دقیق می کند که باید به سمت عقب هرس گردد (به طور مثال جابجایی یک زیرمجموعه با یک برگ ). اولین قدم در ساخت یک مدل درختی، محاسبه انحراف معیار مقادیر هدف در مجموعه داده های T است . برآیند آزمون ، تقسیم شدن مجموعه T است . اگر از انحراف معیار داده های هدف در مجموعه Ti به عنوان شاخص خطا استفاده گردد، انتظار می رود که میزان خطای حاصل از آزمون کاهش یابد که این انحراف معیار به شکل رابطه ۶ نوشته می شود:

که T نشان دهنده یک دسته نمونه ها است که به برگ می رسد؛ Ti نشان دهنده زیرمجموعه ای از نمونه ها است که دارای iامین خروجی از مجموعه بالقوه است و sd نشان دهنده انحراف معیار است .
برای تخمین خطای یک مدل به دست آمده از داده های آموزشی،M۵ در ابتدا میانگین باقیمانده های مدل را محاسبه می نماید. یک مدل خطی چند متغیره برای داده های موجود درون هر برگ یا گره درخت تصمیم گیری با استفاده از تکنیک های رگرسیون استاندارد ساخته می شود اما به جای استفاده از همه پارامترهای ورودی، این مدل به پارامترهایی محصور می گردد که توسط آزمون ها و یا مدل های خطی به زیر درخت ها در گره ها ارجاع داده شده باشند. سپس این مدل ها با استفاده از حذف پارامترها برای حداقل کردن خطاهای تخمینی، ساده می گردند که به این فرآیند ساده سازی میگویند. M۵ با توجه به کمترین میزان خطا، مدل ساده شده بالادستی یا مدل زیر درخت را به عنوان مدل نهایی برای گره انتخاب می کند و مدل های دیگر را حذف میکند این فرایند هرس نامیده میشود. اگر مدل خطی انتخاب شده باشد زیردرخت موجود در این گره به یک برگ تبدیل می گردد. مقدار پیش بینیشده در برگ ، مقادیر محاسبه شده توسط مدل در آن برگ است . زمانی که مقدار یک متغیر با استفاده از یک مدل درختی پیش بینی شد، توسط فرآیند هموارسازی مقدار تعیین شده توسط مدل در مناسب ترین برگ اصلاح می گردد تا مقادیر پیش بینیشده در گره ها در طول مسیری از ریشه تا برگ انعکاس یابد. اگر متغیری در ادامه شاخه Si در زیر درخت S باشد، ni تعداد موارد آموزشی در Si،PV)Si( مقدار پیش بینیشده در Si و مقدار تعیین شده توسط مدل در S (مقدار پیش بینی ذخیره شده ) است که توسط رابطه ٧ برآورد میشود (١٩٩٢ ,Quinlan).

که در آن K ثابت هموارسازی است و مقدار آن ١۵ فرض میشود.
٢-٢-٣-ماشین بردار خطی پشتیبان (SVM)
ماشین بردار پشتیبان (SVM)، یک روش طبقه بندی گرفته شده از تئوری آموزش آماری است و اولین بار توسط واپنیک ۵ معرفی گردید.
SVMها میتوانند برای مسائل مربوط به طبقه بندی و رگرسیون مورد استفاده قرار گیرند. میتوان ماشین بردار پشتیبان را شبیه به شبکه های عصبی مصنوعی، مانند یک شبکه با دو لایه که وزن ها در اولین لایه غیر خطی و در دومین لایه خطی هستند ارائه نمود. رگرسیون بردار پشتیبان (SVR) برای توصیف رگرسیون در SVMها استفاده میگردد. تخمین رگرسیون با SVR، تخمین تابعی مطابق دسته داده های گرفته شده از است که xi بردارهای ورودی، yi مقادیر خروجی و n تعداد کل دسته داده ها میباشد. تــابــع رگرسیون خطی استفاده شــده تابــع شماره ٨ میباشد

که تابع غیر خطی که توسط آن x به فضای ویژه نگاشت میگردد، b و  نشان دهنده بردار وزن و ضریبی است که باید از داده ها تخمین زده شود. ضرایب b و با استفاده از کوچک سازی جمع ریسک های تجربی (اولین مولفه تابع ٩) و مولفه مرکب (دومین مولفه تابع ٩) تخمین زده میشود.

این فقط قسمتی از متن مقاله است . جهت دریافت کل متن مقاله ، لطفا آن را خریداری نمایید
word قابل ویرایش - قیمت 12700 تومان در 25 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