مقاله برآورد تبخیر و تعرق ماهانه گیاه مرجع توسط مدل رگرسیون درختی در نواحی مختلف آب و هوایی ایران

word قابل ویرایش
16 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 ماهانه گیاه مرجع توسط مدل رگرسیون درختی در نواحی مختلف آب و هوایی ایران
چکیده
تبخیر و تعرق یکی از اجزای اصلی چرخه هیدرولوژی ( آبشناسی) و تخمین نیاز آبیاری است . در سال های اخیر استفاده از سیستم های هوش مصنوعی برای برآورد پدیده های هیدرولوژی افزایش چشمگیری داشته است .از این رو این تحقیق با هدف امکان سنجی استفاده از مدل رگرسیون درختی در برآورد تبخیر و تعرق ماهانه گیاه مرجع((ETo و مقایسه آن با روش پنمن مانتیث فائو در سه ناحیه اقلیمی ایران انجام شد. از مزایای مدل رگرسیون درختی نسبت به دیگر مدل های هوش مصنوعی از قبیل شبکه های عصبی، عدم نیاز به فرایند وقت گیر آزمون و خطا و نیز ارائه نتایج به¬صورت روابط ریاضی است. در مطالعه ی حاضر، متوسط ماهانه ی داده های حداقل و حداکثر دما، رطوبت نسبی، سرعت باد و تابش خورشیدی به عنوان داده های ورودی به مدل در نظر گرفته شده است. نتایج حاصله نشان داد که ضرایب تعیین مدل های تولید شده توسط مدل رگرسیون درختی در برآورد پارامتر تبخیر و تعرق مرجع برای نواحی گرمسیر، معتدل .و سردسیر به-ترتیب برابر است با ۰/۷۸ ، ۰/۸۰ و ۰/۸۹ که حاکی از توانایی بالای مدل مذکور است.

واژه های کلیدی: تبخیر و تعرق گیاه مرجع، هوش مصنوعی، مدل رگرسیون درختی، پنمن مانتیث فائو

مقدمه
تبخیر و تعرق۲ یکی از مهمترین اجزای چرخهی آبشناسی میباشد و تخمین دقیق آن برای بسیاری از مطالعات نظیر بیلان آبی، طراحی و مدیریت سیستمهای آبیاری، شبیه سازی تولید گیاهی و برنامه ریزی و مدیریت منابع آب ضروری است.
یکی از متداولترین روشهای تخمین تبخیر و تعرق گیاهان زراعی، محاسبهی تبخیر و تعرق گیاه مرجع نظیر تبخیر و تعرق چمن و یا تبخیر و تعرق یونجه از یک سطح استاندارد و سپس استفاده از ضرایب گیاهی میباشد. تبخیر و تعرق میتواند بهطور مستقیم توسط لایسیمتر یا روش بیلان آب اندازه-گیری و یا با دادههای هواشناسی تخمین زده شود.
با این وجود امکان استفاده از لایسیمتر برای اندازهگیری تبخیر و تعرق همواره میسر نیست، زیرا این روش زمان- گیر و نیازمند عملیات و برنامهریزی دقیق میباشد؛ از این رو روشهای غیرمستقیم بر پایهی دادههای هواشناسی برای تخمین تبخیر و تعرق گیاه مرجع استفاده میشود.
این روشها شامل معادلات تجربی و یا روشهای پیچیدهای مبتنی بر فرآیندهای فیزیکی میباشند. روشهای ترکیبی تغییرات تبخیر را با شار تابش خالص وخصوصیات انتقال آئرودینامیک یک سطح طبیعی مرتبط مینمایند(آلن و همکاران .(۱۹۹۸
چیو و همکاران((۱۹۹۵ در کشور استرالیا، نشان دادند که روش پنمن مانتیث فائو یکی از دقیقترین روش- های تخمین تبخیر و تعرق می باشد و میتوان از آن برای اقلیمهای مختلف استفاده نمود .
تبخیر و تعرق فرایندی پیچیده و غیر خطی است زیرا به عوامل متعدد اقلیمی نظیر دما، رطوبت، سرعت باد، تابش، نوع و مرحلهی رشد گیاه و غیره وابسته است. در چند سال اخیر استفاده از روشهای حل هوش مصنوعی از قبیل شبکه عصبی و درختان تصمیم گیری، بهعنوان راه کاری دقیق و سریع در بسیاری از زمینهها از جمله برآورد نیاز آبی گیاهان رایج شده است. ساختار درخت تصمیم در یادگیری ماشین، یک مدل پیش بینی کننده میباشد که حقایق مشاهده شده در مورد یک پدیده را به استنتاجهایی در مورد مقدار هدف آن پدیده ارتباط میدهد. تکنیک یادگیری ماشین برای استنتاج یک درخت تصمیم از داده ها، یادگیری درخت تصمیم نامیده می شود که یکی از رایجترین روشهای دادهکاوی است.
زانتی و همکاران (۲۰۰۷) قابلیت شبکههای عصبی مصنوعی را برای تخمین تبخیر و تعرق گیاه مرجع در یکی از ایالات آرژانتین با استفاده از حداکثر و حداقل دمای هوا مورد بررسی قرار دادند. برای آموزش شبکه از یک سری دادههای هواشناسی روزانه (از سپتامبر ۱۹۹۶ تا اوت ( ۲۰۰۲ منطقهی مورد مطالعه استفاده شد. رحیمی-خوب((۲۰۰۸ عملکرد شبکه های عصبی مصنوعی و روش هارگریوز را در تخمین تبخیر و تعرق گیاه مرجع در ۱۲ ایستگاه هواشناسی خوزستان مقایسه نمود. تبخیر و
تعرق گیاه مرجع با استفاده از روش پنمن مانتیث محاسبه و مبنای مقایسهی دو روش هارگریوز و شبکهی عصبی قرار گرفت. در این تحقیق نتیجه گرفته شد که شبکه های عصبی در برآورد تبخیر و تعرق گیاه مرجع نسبت به روش هارگریوز از دقت بیشتری برخوردارند.
تصمیمگیری درختی از جمله مدلهای سلسله مراتبی۱ است. بریمان و همکاران (۱۹۸۴) نشان دادند که رگرسیون و طبقهبندی درختی ابزار مفیدی برای بدست آوردن روابط بین متغیرهای هدف و پیشبینی کننده می-باشد. ژو و همکاران((۲۰۰۵ با استفاده از درخت تصمیم به طبقه بندی نرم دادههای ماهوارهای و سنجش از دور پرداختند و به نتایج قابل قبولی نیز در این زمینه دست یافتند.
از مدل رگرسیون درختی برای پیش بینی جریان برگشتی در شبکه های آبیاری و زهکشی نیز استفاده شده است. نتایج حاصله از تجزیه و تحلیل آماری نشان داد که ضریب همبستگی برای مزارع تک کشت و دوکشت بالاست که نشاندهندهی تطابق خوب بین دادههای شبیه سازی شده توسط مدل و دادههای اندازهگیری شده بود(ماهان وهمکاران .(۲۰۰۸
پژوهشگران دریافتند که در پیش بینی بالا آمدن امواج بر روی سازههای سنگچین، مدل درختی بسیار دقیقتر از فرمولهای تجربی و منطق فازی عمل می-کند(بنکدار و همکاران. (۲۰۱۰
مدلهای درختی و شبکه عصبی مصنوعی در مدل-سازی روابط عمق-دبی را با روابط (منحنیهای) سنتی مقایسه شدند که نتایج حاکی از برتری دو روش تصمیم گیری هوشمند درختی و شبکه عصبی بودند، با این تفاوت که در جریانهای با دبی بالا، مدل درختی پیش- بینیهای بسیار دقیقتری ارائه داد (باچاریا و همکاران.(۲۰۰۳
در تحقیق حاضر مقادیر تبخیر و تعرق محاسبه شده ماهانه به روش پنمن مانتیث فائو با استفاده از دادههای ماهانه مربوط به مراکز استانی ایران (که بر اساس تحلیل عاملی به ۳ ناحیه اقلیمی سرد، معتدل و گرم تقسیم بندی می شود) با بهرهگیری از مدل رگرسیون درختی مدل- سازی شده است.
مواد و روش ها
محاسبه ETo
در مطالعهی حاضر، دادههای اقلیمی متوسط ماهانهی حداقل و حداکثر دما، میانگین رطوبت نسبی، سرعت باد و ساعات آفتابی مربوط به کلیه ایستگاههای سینوپتیک کشور که دارای دادههای آماری بالای۳۰ سال مربوط به دورهی آماری تا سال۲۰۰۵ بودند برای محاسبهی تبخیر و تعرق متوسط ماهانهی گیاه مرجع مورد استفاده قرار گرفته است.

گروهبندی مراکز استانی بر اساس تحلیل خوشهای
در تحقیق حاضر به کمک نرمافزار SPSS 16.0 و با ستفاده از ۹ پارامتر هواشناسی جدول ۱، بر اساس تحلیل خوشهای،۳۰ استان مطالعاتی گروهبندی شدند. برای این کار ابتدا بایستی دادهها استاندارد شوند .(۶) لذا پس از استاندارد کردن دادهها به روش Z-SCORE، گروهبندی با روش طبقاتی تجمعی و محاسبه فاصله اقلیدسی به روش ورد انجام شد که به تدریج استانهای مشابه طی فرایند جمعآوری در یک گروه با هم ادغام شدند.

معادله فائو پنمن مانتیث
در این تحقیق با استفاده از معادله فائو پنمن مانتیث (معادله (۱ که یکی از رایجترین معادلات ترکیبی است، مقادیر تبخیروتعرق پتانسیل (ETo) یا تبخیروتعرق استاندارد محاسبه گردید. به علت عدم وجود دادههای دقیق لایسیمتری در طولانی مدت، و بر طبق پیشنهاد نشریه ۵۶ فائو ، از این روش به عنوان روش استاندارد جهت ارزیابی سایر روش ها استفاده شده است.

که در آن،
:ETo تبخیر و تعرق گیاه مرجع (میلیمتر بر روز)
:Rn تابش خالص ورودی به سطح گیاه (مگاژول بر مترمربع بر روز)
:G شار گرمای خاک (مگاژول بر مترمربع بر روز)
:T میانگین روزانهی دمای هوا در ارتفاع دو متری (درجه سانتیگراد)
:U2 میانگین روزانهی سرعت باد در ارتفاع دو متری (متر بر ثانیه)
:es فشار بخار اشباع (کیلو پاسکال) :ea فشار بخار واقعی (کیلو پاسکال)
:es-ea کمبود فشار بخار اشباع (کیلو پاسکال)

شیب منحنی فشار بخار (کیلو پاسکال بر درجهی سانتیگراد) و
:γ ضریب ثابت سایکرومتری ( کیلو پاسکل بر درجه ی سانتیگراد) میباشند.
ساختار درخت تصمیم
یک درخت معمولا از ریشه۱، شاخه۲ ، گره۳ و برگ۴ تشکیل شده است. درخت تصمیم هم بهطور مشابه از گره ها که با دایره نشان داده میشوند و شاخهها که نشاندهنده اتصال بین گرهها میباشند ، تشکیل شده است (شکل .(۱ درخت تصمیم بهمنظور سادگی در رسم، معمولا از بالا به پایین کشیده میشود بهطوری که ریشه (گره اول را ریشه میگویند)در بالا قرار گیرد. انتهای یک زنجیره ریشه- شاخه-گره را یک برگ مینامند. از هریک از گرهها دو شاخه دیگر میتوانند منشعب شوند. هر گره مربوط به یک خصوصیت معین (پارامتر ورودی مستقل) است وشاخهها به معنای بازهای از مقادیر هستند. عمل انشعاب توسط یکی از متغیرهای پیشبینی کننده انجام میپذیرد، و بازههای انشعاب طوری انتخاب میشوند که مجموع مجذور انحراف از میانگین دادههای هر گره را حداقل کنند.
هنگامیکه خروجی یک درخت، یک مجموعه گسسته از یک مجموعه مقادیر ممکن است؛ بهآن طبقه- بندی درختی۱ گفته میشود (مثلا مونث یا مذکر، برنده یا بازنده). هنگامی که بتوان خروجی درخت را یک عدد حقیقی در نظر گرفت آنرا، رگرسیون درختی۲ مینامند و یا بهعبارت دیگر اگر متغیرهای ما عددی۳ باشند از رگرسیون درختی، واگر مطلق و قیاسی باشند از طبقه- بندی درختی استفاده میشود. فرآیند انشعاب در هر گره بارها تکرار میشود تا به گره پایانی یا همان برگ برسد که در برگ مجموع مجذور انحراف از میانگین داده ها به حداقل میرسد، با این کار درخت بزرگی بهوجود خواهد آمد.

مزایای مدل درختی
به دلایل زیر کار با مدل درختی پیشنهاد می شود :
این مدل بهطور مستقیم با متغیرهای پیشبینی کننده مرتبط میباشد بنابراین نتایج مدل برای فهمیدن و شبیهسازی آسان هستند.
درختهای تصمیمگیری غیر پارامتریک بوده و هیچ دخالتی از سوی کاربر بر روی آنها صورت نمیگیرد.
خروجی مدل از دقت بالایی برخوردار است که میتوان آنرا با سایر مدل ها مقایسه کرد. برخلاف دیگر روشهای هوش مصنوعی ازقبیل شبکهی عصبی مصنوعی، برای آموزش به مدل نیازی به فرایند وقتگیر آزمون و خطا نیست.
فرآیند تشکیل دادن رگرسیون درختی شامل ۵ مرحله است:
مرحله آغازگری۴ (مقدار دهی اولیه)
در این مرحله متغیر پیشبینی کننده یا بهعبارتی دیگر گره والد انتخاب میشود، که این فرایند با استفاده از الگوریتم ID3، که بخشی از مدل رگرسیون درختی است، صورت میگیرد.
ساختن درخت: ۵ این مرحله با تقسیمشدن گره والد به دو گره فرزند شروع میشود. در هر گره والد تمام موضوعات و انشعابات ممکن ارزیابی شده و سرانجام بهترین انشعاب، که در آن انحراف معیار بین دادهها به حداقل میرسد انتخاب میشود؛ که برای این منظور از فرمول زیر استفاده میشود : که در معادله مذکور،

s نشان دهنده ی شماره انشعاب یک متغیر
t گره والد
DN(s,t) انحراف گره والد t
DN(S1,tL) و DN(S2,tR) به ترتیب انحراف گره
فرزند سمت چپ و راست می باشند
و fL و fR نیز به ترتیب کسری از گره والد هستند که به-ترتیب در گره های tL وtR شرکت کرده اند
Yi مقدار جوابی است که به متغیر پیش بینی کننده Xi نسبت داده می شود
و میانگین حسابی جواب متغیر ها در گره والد میباشد.
بهترین انشعاب، انشعابی است که بیشترین مقدار را داشته باشد. با تکرار فرایند بالا برای هر انشعاب، درخت بزرگی شکل میگیرد که به درخت حداکثر۱ معروف است که شاخهها و گرههای زیادی دارد و کار با آن سخت میباشد؛ بنابراین برای رسیدن به یک درخت بهینه و کارآمد، باید شاخههای اضافی را هرس کرد .
هرس کردن درخت۲
دو روش هرس وجود دارد: الف- هرس قبل از شکل گیری درخت حداکثر۳ ب- هرس بعد از شکل گیری درخت حداکثر۴ در روش اول فرایند هرس اجازه نمیدهد شاخههای اضافی تولید شوند و درخت فقط تا جایی توسعه مییابد که یک میزان دقت خاصی که توسط کاربر تعیین میشود در نتایج مدل حاصل شود؛ ولی در روش دوم ابتدا درخت حداکثر تشکیل میشود و سپس فرآیند هرس تا جایی که دقت مدل از مقدار تعیین شده توسط کاربر پایینتر نیاید انجام میگیرد.
انتخاب درخت بهینه۵ درخت بهینه بر اساس حداقل کردن خطای پیشبینی انتخاب میشود که دو روش برای محاسبه خطای پیش بینی وجود دارد: الف- آزمون دستگاه مستقل ب-آزمون صحت سنجی روش اول هنگامی مورد استفاده قرار میگیرد که تعداد دادههای زیادی داشته باشیم در غیر اینصورت از روش دوم استفاده میشود .
توابع عملکرد
برای ارزیابی عملکرد مدل رگرسیون درختی در پیش بینی تبخیر و تعرق از پارامترهای جذر میانگین مربعات خطا (RMSE) ،شاخص پراکندگی (SA) و پارامتر انحراف((Bias استفاده می شود که از روابط زیر قابل محاسبه هستند.

که در آن مقدار تبخیر تعرق بدست آمده از روش پنمن مانتیث فائو، میانگین مقادیر واقعی مقدار تخمینی بدست آمده از مدل رگرسیون درختی، میانگین مقادیر تخمینی مدل و n نیز در معادله بالا تعداد مشاهدات می باشد . از ضریب نکویی برازش( ) نیز برای مقایسه داده های پیش بینی شده توسط مدل و مقادیر محاسبه شده توسط روش پنمن مانتیث فائو استفاده شده است .

این فقط قسمتی از متن مقاله است . جهت دریافت کل متن مقاله ، لطفا آن را خریداری نمایید
word قابل ویرایش - قیمت 12700 تومان در 16 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