مقاله برآورد تبخیر و تعرق مرجع با استفاده از شبکه عصبی مصنوعی ( مطالعه موردی : ایستگاه سینوپتیک بروجرد)

word قابل ویرایش
11 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 و تعرق مرجع با استفاده از شبکه عصبی مصنوعی ( مطالعه موردی : ایستگاه سینوپتیک بروجرد)
چکیده :
تبخیر و تعرق به عنوان یکی از عمده ترین اجزا چرخه هیدرولوژیکی ، در مطالعات ، طراحی و مدیریت سیستم های آبیاری اهمیت فراوان دارد. لکن تعداد پارامترهای مورد نیاز در محاسبه تبخیر و تعرق از یکسو و عدم صحیح اندازه گیری برخی پارامترها از سوی دیگر سبب گردیده که تخمین درست این پارامتر در برخی نقاط با مشکلاتی روبرو باشد . هدف از این مطالعه ارزیابی عملکرد شبکه عصبی مصنوعی در براورد تبخیر و تعرق پتانسیل و مقایسه ان با روش تجربی پنمن مانتیس در بروجرد می باشد. برای این منظور از شبکه های پرسپترون چند لایه ، قانون یادگیری پس انتشار خطا و داده های هواشناسی ایستگاه سینوپتیک بروجرد ، طی یک دوره آماری ١٠ ساله استفاده شد. بر این اساس با استفاده از معیارهای R٢،RMSE ، MAE بهترین مدل شبکه عصبی در این منطقه Multilayer perception انتخاب گردید و مشخص گردید که شبکه عصبی مصنوعی در شرایط فقدان اطلاعات کافی ،راهکار مناسبتری نسبت به روش تجربی پنمن مانتیس می باشد.
کلمات کلیدی : شبکه عصبی ، پنمن مانتیس ، پرسپترون ، تبخیر وتعرق

مقدمه
تبخیر در طبیعت را می توان همان انتشار بخارآب از یک سطح مرطوب یا سطح آزاد آب و اعم از حالت مایع یا جامد در درجه حرارتی پایین تر از نقطه جوش آب تعریف کرد ، که به آن تبخیر سطحی اطلاق می شود . به مجموع مقدار تبخیر از سطح خاک و مقدار آبی که از طریق ریشه های گیاه جذب و از سطح شاخ و برگ تعرق می شود، تبخیر و تعرق گفته می شود.تبخیر و تعرق به عنوان یکی از پارامترهای مهم در برآورد نیاز آبی گیاهان است . تخمین بیش از حد آب مورد نیاز گیاه ضمن هدر دادن آب آبیاری باعث ماندابی شدن اراضی ، شتشوی مواد غذایی خاک و آلوده نمودن منابع آب زیرزمینی می شود. ضمن انکه تخمین کمتر نیز باعث اعمال استرس رطوبتی به گیاه شده و در نتیجه کاهش محصول را به همراه خواهد داشت . سابقه مطالعات علمی در زمینه تبخیر و تعرق به بیش از ٢۵٠ سال می رسد و شاید واژه هایی چون نیازآبی وآب مصرفی قدمتی ١٠٠ ساله داشته باشند. در این مدت و در طی سالهای گذشته همواره محققین درصدد مدل کردن این پدیده برآمدند، به گونه ای که در پنج دهه اخیر عمده مطالعات بر روی توسعه روشهای برآورد تبخیر و تعرق و بهبود بخشیدن به عملکرد روشهای موجود متمرکز شده است .
برتن و همکاران (٢٠٠٠) با استفاده از شبکه های عصبی مصنوعی ، تبخیر روزانه از تشتک را با استفاده از ٢٠۴۴ داده از شهرهای مختلف جهان از سال ١٩٩٢ تا ١٩٩۶ شامل بارندگی ، درجه حرارت ، رطوبت نسبی ، تششعات خورشیدی و سرعت باد
با میزان خطای ١,١١ میلیمتر در روز تخمین زدند . کومار و همکاران (٢٠٠٢) با استفاده از شبکه عصبی مصنوعی و با استفاده از الگوریتم Back-propagaton و آموزش صحیح آن تبخیر و تعرق واقعی را به دست آوردند و استفاده از این ابزار مدیریتی قوی را در مطالعه بر روی این موارد توصیه نمودند. سرنگی و همکاران (٢٠٠۶) روند استفاده از شبکه عصبی مصنوعی در علم هیدرولوژی و مدلهای کیفی آب را رو به رشد دانسته اند. زانتی وهمکاران ۴(٢٠٠٧) از شبکه عصبی با حداقل داده های هواشناسی برای تخمین تبخیر و تعرق در شهر ریود و ژانیروی برزیل استفاده کردند. آنان از سری زمانی داده های هواشناسی سپتامبر ١٩٩۶ تا اگوست ٢٠٠٢ برای آموزش شبکه استفاده نمودند .نتایج به دست آمده نشان داد شبکه عصبی با دمای حداکثر و حداقل هوا به عنوان ورودی قابلیت پیش بینی تبخیر و تعرق را دارد. رحیمی ۵(٢٠٠٨) در تحقیقی ، به جهت تخمین ETo از روی داده های تشت تبخیر در منطقه صفی آباد خوزستان شبکه عصبی مصنوعی به کار برده شد و خود ضریب تشت تبخیر را تابعی از پارامترهای دمای حداقل و حداکثر درنظر گرفته شد. تراجکویک (٢٠٠٩) برای محاسبه ETo در منطقه پولیکارو از شبکه تابع پایه شعاعی (RBF) و روشهای کریستیانسن (Christiansen) پنمن و F-P-M استفاده شد وی نشان داد که شبکه تابع پایه شعاعی درمقایسه با نتایج حاصل از لایسیمتر وزنی نسبت به سایر روشها از خطای کمتری برخوردار است . هیو ٧(٢٠١٢) برای محاسبه تبخیر و تعرق گیاه مرجع از دو معادله تجربی برای مقایسه عملکرد شبکه عصبی مصنوعی استفاده کرد و به این نتیجه رسید که شبکه های عصبی مصنوعی در مناطق خشک و نیمه خشک با موفقیت تبخیر و تعرق را پیش بینی می کنند.

شایان نژاد (١٣٨۵) برآوردهای حاصل از روش پنمن مانتیس فائو و شبکه عصبی را با نتایج لایسیمتری مقایسه کرد. وی روش شبکه عصبی را دقیق تر و مزیت آن را نیاز اطلاعاتی کمتر نسبت به روش پنمن مانتیس دانست . پیری و همکاران (١٣٨۶) با استفاده از مدلهای دینامیکی شبکه های عصبی مصنوعی مقدار تبخیر از سطح چاه نیمه ها را در سیستان وبلوچستان پیش – بینی کردند. بیات ورکشی و همکاران (١٣٨٨) در تحقیقی باعنوان شبیه سازی تبخیر و تعرق روزانه به روش هوش مصنوعی و روش های تجربی به مناسبت تر بودن ANN نسبت به ANFIS و همچنین روش دمایی BC نسبت به مدل ترکیبی PMF۵۶ دست یافتند. انگبینی (١٣٨٩) در مقاله ای تحت عنوان برآورد تبخیر و تعرق پتانسیل به کمک سیستم های هوشمند به این نتیجه رسید که منطق فازی نسبت به روش های دیگر دارای دقت بالاتر و خطای کمتری است . اثر متقابل فاکتورهای کلیماتولوژی از قبیل دما ، رطوبت نسبی ، سرعت باد ، تششع ، نوع و مرحله رشد گیاه ، و عوامل دیگر سبب شده است تا تبخیر و تعرق به صورت پدیده ای غیر خطی و پیچیده بیان شود . پیچیدگی فرایند تبخیر و تعرق و کثرت اطلاعات مورد نیاز برای محاسبه آن از یک طرف و مشکلات موجود در سر راه اندازه گیری این پارامترها از طرف دیگر ، ضرورت استفاده از شبکه عصبی مصنوعی در برآورد تبخیر و تعرق مرجع را آشکار می سازد.
مواد و روش ها
برای انجام این تحقیق از داده های روزانه ایستگاه سینوپتیک بروجرد در استان لرستان با ارتفاع ١۵٧٠ متر از سطح دریا، طول جغرافیایی ET٣’۵٠°T۴٨ و عرض جغرافیایی NT٣’۵۵°T٣٣ استفاده شده است . داده های مورد استفاده شامل دمای حداکثر، دمای حداقل ، رطوبت نسبی ، ساعات آفتابی ، بارندگی و سرعت باد در ارتفاع ٢ متری ، به صورت روزانه از سال ١٣٨١ تا ١٣٩١ می – باشند که از سازمان هواشناسی کشور اخذ گردید.
از آنجا که هدف از این مقاله برآورد تبخیر و تعرق با استفاده از شبکه های عصبی مصنوعی می باشد، ورود داده ها به صورت استاندارد به شبکه خطا را کاهش می دهد(.ترجمه فتوحی و اصغری ، ١٣٨٣ ). حسن این رابطه امکان بهتر پیش بینی ها خارج
از مقادیر حدی داده های دوره آموزش می باشد (باقرزاده چهره ، ١٣٨۴). طریقه محاسبه به شرح زیر است :

در گام بعدی اقدام به پیش بینی با استفاده از شبکه های عصبی مصنوعی شده است .برای انجام این مهم از نرم افزار neurosolution استفاده شده است . این نرم افزار امکان طراحی ، یادگیری ، و ارزیابی شبکه عصبی را داشته و همچنین در برگیرنده شبکه های متفاوتی با قوانین یادگیری مختلف می باشد .در شکل زیر نمایی از ساختار شبکه عصبی پیش خور چندلایه
را ملاحظه می کنید:

و در نهایت به منظور ارزیابی و مقایسه دقت روشها و مدلهای بکار برده شده در پیش بینی تبخیر و تعرق، از معیارهای RMSE,MAE ، ٢^R استفاده شده است .
بهترین مقدار برای ریشه مجذور خطا (RMSE) و متوسط قدر مطلق خطا (MAE) نیز برابر صفر می باشد و ضریب همبستگی ( ٢^R) برابر یک می باشد که به صورت معادلات ٢ و ٣ و ۴ محاسبه می شود:

در روابط فوق XG مقادیر مشاهده شده ، مقادیر پیش بینی شده و K تعداد دادهها می باشد. MAE و RMSE با نزدیکی به صفر بهترین مدل را نشان می دهند. ( ماکی سورن و همکاران ،٢٠٠٨ )
در این مطالعه تبخیر و تعرق روزانه از روش پنمن مانتیس فائو ۵۶ برای یک دوره آماری ١٠ ساله بدست آمد.

* : تبخبر و تعرق بالقوه گیاه مرجع (١- mm per day ) ،T : متوسط دمای هوا , ،

این فقط قسمتی از متن مقاله است . جهت دریافت کل متن مقاله ، لطفا آن را خریداری نمایید
word قابل ویرایش - قیمت 12700 تومان در 11 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