بخشی از مقاله
*** اين فايل شامل تعدادي فرمول مي باشد و در سايت قابل نمايش نيست ***
برآورد تبخير و تعرق مرجع با استفاده از شبکه عصبي مصنوعي ( مطالعه موردي : ايستگاه سينوپتيک بروجرد)
چکيده :
تبخير و تعرق به عنوان يکي از عمده ترين اجزا چرخه هيدرولوژيکي ، در مطالعات ، طراحي و مديريت سيستم هاي آبياري اهميت فراوان دارد. لکن تعداد پارامترهاي مورد نياز در محاسبه تبخير و تعرق از يکسو و عدم صحيح اندازه گيري برخي پارامترها از سوي ديگر سبب گرديده که تخمين درست اين پارامتر در برخي نقاط با مشکلاتي روبرو باشد . هدف از اين مطالعه ارزيابي عملکرد شبکه عصبي مصنوعي در براورد تبخير و تعرق پتانسيل و مقايسه ان با روش تجربي پنمن مانتيس در بروجرد مي باشد. براي اين منظور از شبکه هاي پرسپترون چند لايه ، قانون يادگيري پس انتشار خطا و داده هاي هواشناسي ايستگاه سينوپتيک بروجرد ، طي يک دوره آماري ١٠ ساله استفاده شد. بر اين اساس با استفاده از معيارهاي R٢،RMSE ، MAE بهترين مدل شبکه عصبي در اين منطقه Multilayer perception انتخاب گرديد و مشخص گرديد که شبکه عصبي مصنوعي در شرايط فقدان اطلاعات کافي ،راهکار مناسبتري نسبت به روش تجربي پنمن مانتيس مي باشد.
کلمات کليدي : شبکه عصبي ، پنمن مانتيس ، پرسپترون ، تبخير وتعرق
مقدمه
تبخير در طبيعت را مي توان همان انتشار بخارآب از يک سطح مرطوب يا سطح آزاد آب و اعم از حالت مايع يا جامد در درجه حرارتي پايين تر از نقطه جوش آب تعريف کرد ، که به آن تبخير سطحي اطلاق مي شود . به مجموع مقدار تبخير از سطح خاک و مقدار آبي که از طريق ريشه هاي گياه جذب و از سطح شاخ و برگ تعرق مي شود، تبخير و تعرق گفته مي شود.تبخير و تعرق به عنوان يکي از پارامترهاي مهم در برآورد نياز آبي گياهان است . تخمين بيش از حد آب مورد نياز گياه ضمن هدر دادن آب آبياري باعث ماندابي شدن اراضي ، شتشوي مواد غذايي خاک و آلوده نمودن منابع آب زيرزميني مي شود. ضمن انکه تخمين کمتر نيز باعث اعمال استرس رطوبتي به گياه شده و در نتيجه کاهش محصول را به همراه خواهد داشت . سابقه مطالعات علمي در زمينه تبخير و تعرق به بيش از ٢٥٠ سال مي رسد و شايد واژه هايي چون نيازآبي وآب مصرفي قدمتي ١٠٠ ساله داشته باشند. در اين مدت و در طي سالهاي گذشته همواره محققين درصدد مدل کردن اين پديده برآمدند، به گونه اي که در پنج دهه اخير عمده مطالعات بر روي توسعه روشهاي برآورد تبخير و تعرق و بهبود بخشيدن به عملکرد روشهاي موجود متمرکز شده است .
برتن و همکاران (٢٠٠٠) با استفاده از شبکه هاي عصبي مصنوعي ، تبخير روزانه از تشتک را با استفاده از ٢٠٤٤ داده از شهرهاي مختلف جهان از سال ١٩٩٢ تا ١٩٩٦ شامل بارندگي ، درجه حرارت ، رطوبت نسبي ، تششعات خورشيدي و سرعت باد
با ميزان خطاي ١,١١ ميليمتر در روز تخمين زدند . کومار و همکاران (٢٠٠٢) با استفاده از شبکه عصبي مصنوعي و با استفاده از الگوريتم Back-propagaton و آموزش صحيح آن تبخير و تعرق واقعي را به دست آوردند و استفاده از اين ابزار مديريتي قوي را در مطالعه بر روي اين موارد توصيه نمودند. سرنگي و همکاران (٢٠٠٦) روند استفاده از شبکه عصبي مصنوعي در علم هيدرولوژي و مدلهاي کيفي آب را رو به رشد دانسته اند. زانتي وهمکاران ٤(٢٠٠٧) از شبکه عصبي با حداقل داده هاي هواشناسي براي تخمين تبخير و تعرق در شهر ريود و ژانيروي برزيل استفاده کردند. آنان از سري زماني داده هاي هواشناسي سپتامبر ١٩٩٦ تا اگوست ٢٠٠٢ براي آموزش شبکه استفاده نمودند .نتايج به دست آمده نشان داد شبکه عصبي با دماي حداکثر و حداقل هوا به عنوان ورودي قابليت پيش بيني تبخير و تعرق را دارد. رحيمي ٥(٢٠٠٨) در تحقيقي ، به جهت تخمين ETo از روي داده هاي تشت تبخير در منطقه صفي آباد خوزستان شبکه عصبي مصنوعي به کار برده شد و خود ضريب تشت تبخير را تابعي از پارامترهاي دماي حداقل و حداکثر درنظر گرفته شد. تراجکويک (٢٠٠٩) براي محاسبه ETo در منطقه پوليکارو از شبکه تابع پايه شعاعي (RBF) و روشهاي کريستيانسن (Christiansen) پنمن و F-P-M استفاده شد وي نشان داد که شبکه تابع پايه شعاعي درمقايسه با نتايج حاصل از لايسيمتر وزني نسبت به ساير روشها از خطاي کمتري برخوردار است . هيو ٧(٢٠١٢) براي محاسبه تبخير و تعرق گياه مرجع از دو معادله تجربي براي مقايسه عملکرد شبکه عصبي مصنوعي استفاده کرد و به اين نتيجه رسيد که شبکه هاي عصبي مصنوعي در مناطق خشک و نيمه خشک با موفقيت تبخير و تعرق را پيش بيني مي کنند.
شايان نژاد (١٣٨٥) برآوردهاي حاصل از روش پنمن مانتيس فائو و شبکه عصبي را با نتايج لايسيمتري مقايسه کرد. وي روش شبکه عصبي را دقيق تر و مزيت آن را نياز اطلاعاتي کمتر نسبت به روش پنمن مانتيس دانست . پيري و همکاران (١٣٨٦) با استفاده از مدلهاي ديناميکي شبکه هاي عصبي مصنوعي مقدار تبخير از سطح چاه نيمه ها را در سيستان وبلوچستان پيش - بيني کردند. بيات ورکشي و همکاران (١٣٨٨) در تحقيقي باعنوان شبيه سازي تبخير و تعرق روزانه به روش هوش مصنوعي و روش هاي تجربي به مناسبت تر بودن ANN نسبت به ANFIS و همچنين روش دمايي BC نسبت به مدل ترکيبي PMF٥٦ دست يافتند. انگبيني (١٣٨٩) در مقاله اي تحت عنوان برآورد تبخير و تعرق پتانسيل به کمک سيستم هاي هوشمند به اين نتيجه رسيد که منطق فازي نسبت به روش هاي ديگر داراي دقت بالاتر و خطاي کمتري است . اثر متقابل فاکتورهاي کليماتولوژي از قبيل دما ، رطوبت نسبي ، سرعت باد ، تششع ، نوع و مرحله رشد گياه ، و عوامل ديگر سبب شده است تا تبخير و تعرق به صورت پديده اي غير خطي و پيچيده بيان شود . پيچيدگي فرايند تبخير و تعرق و کثرت اطلاعات مورد نياز براي محاسبه آن از يک طرف و مشکلات موجود در سر راه اندازه گيري اين پارامترها از طرف ديگر ، ضرورت استفاده از شبکه عصبي مصنوعي در برآورد تبخير و تعرق مرجع را آشکار مي سازد.
مواد و روش ها
براي انجام اين تحقيق از داده هاي روزانه ايستگاه سينوپتيک بروجرد در استان لرستان با ارتفاع ١٥٧٠ متر از سطح دريا، طول جغرافيايي ET٣'٥٠°T٤٨ و عرض جغرافيايي NT٣'٥٥°T٣٣ استفاده شده است . داده هاي مورد استفاده شامل دماي حداکثر، دماي حداقل ، رطوبت نسبي ، ساعات آفتابي ، بارندگي و سرعت باد در ارتفاع ٢ متري ، به صورت روزانه از سال ١٣٨١ تا ١٣٩١ مي - باشند که از سازمان هواشناسي کشور اخذ گرديد.
از آنجا که هدف از اين مقاله برآورد تبخير و تعرق با استفاده از شبکه هاي عصبي مصنوعي مي باشد، ورود داده ها به صورت استاندارد به شبکه خطا را کاهش مي دهد(.ترجمه فتوحي و اصغري ، ١٣٨٣ ). حسن اين رابطه امکان بهتر پيش بيني ها خارج
از مقادير حدي داده هاي دوره آموزش مي باشد (باقرزاده چهره ، ١٣٨٤). طريقه محاسبه به شرح زير است :
در گام بعدي اقدام به پيش بيني با استفاده از شبکه هاي عصبي مصنوعي شده است .براي انجام اين مهم از نرم افزار neurosolution استفاده شده است . اين نرم افزار امکان طراحي ، يادگيري ، و ارزيابي شبکه عصبي را داشته و همچنين در برگيرنده شبکه هاي متفاوتي با قوانين يادگيري مختلف مي باشد .در شکل زير نمايي از ساختار شبکه عصبي پيش خور چندلايه
را ملاحظه مي کنيد:
و در نهايت به منظور ارزيابي و مقايسه دقت روشها و مدلهاي بکار برده شده در پيش بيني تبخير و تعرق، از معيارهاي RMSE,MAE ، ٢^R استفاده شده است .
بهترين مقدار براي ريشه مجذور خطا (RMSE) و متوسط قدر مطلق خطا (MAE) نيز برابر صفر مي باشد و ضريب همبستگي ( ٢^R) برابر يک مي باشد که به صورت معادلات ٢ و ٣ و ٤ محاسبه مي شود:
در روابط فوق XG مقادير مشاهده شده ، مقادير پيش بيني شده و K تعداد دادهها مي باشد. MAE و RMSE با نزديکي به صفر بهترين مدل را نشان مي دهند. ( ماکي سورن و همکاران ،٢٠٠٨ )
در اين مطالعه تبخير و تعرق روزانه از روش پنمن مانتيس فائو ٥٦ براي يک دوره آماري ١٠ ساله بدست آمد.
* : تبخبر و تعرق بالقوه گياه مرجع (١- mm per day ) ،T : متوسط دماي هوا , ،
