بخشی از مقاله
برآورد تبخیر و تعرق مرجع با استفاده از شبکه عصبی مصنوعی )مطالعه موردی دشت بیرجند(
۱- چکیده:
تبخیر و تعرق به عنوان یکی از عمده ترین اجزاء چرخه هیدرولوژیکی، در مطالعات، طراحی و مدیریت سیستم های آبیاری اهمیت فراوان دارد. لكن 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 (ANN) در برآورد تبخیر و تعرق پتانسیل (ET) و مقایسه آن با روش تجربی بلانی کریدل در دشت بیرجند می باشد. برای این منظور از شبکه های پرسپترون چند لایه، قانون یادگیری پس انتشار خطا و داده های هواشناسی ایستگاه سینوپتیک بیرجند، طی یک دوره آماری ۲۰ ساله استفاده شد. بر این اساس با استفاده از معیارهای MAE R2 , RMSE 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 روشهای تجربی به شمار روند.
کلمات کلیدی: شبکه عصبی ، بلانی کریدل ، پرسپترون ، تبخیر و تعرق
۲- مقدمه
تبخیر( Evaporation) در طبیعت همان انتشار بخار آب از یک سطح مرطوب یا سطح آزاد آب و اعم از حالت مایع یا جامد را در درجه حرارتی پایین تر از نقطه جوش آب می توان تعریف کرد، که به آن تبخیر سطحی اطلاق می شود. به مجوع مقدار تبخیر از سطح خاک و مقدار آبی که از طریق ریشه های گیاه جذب و از سطح شاخ و برگ تعرق(Transpiration) می شود، تبخير - تعرق (Evapotranspiration) 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، شستشوی مواد غذائی خاک و آلوده نمودن منابع آب زیر زمینی می شود . ضمن آنکه 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 ۲۵۰ سال می رسد و شاید واژه هایی چون نیاز آبی و آب مصرفی قدمتی ۱۰۰ ساله داشته باشند . در این مدت و در طی سالهای گذشته همواره محققین در صدد مدل کردن این پدیده برآمده اند، 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 (۲۰۰۰) با استفاده از شبکه های عصبی مصنوعی، تبخیر روزانه از تشتک را با استفاده از ۲۰۴۴ داده از شهرهای مختلف جهان از سال ۱۹۹۲ تا ۱۹۹۶ شامل بارندگی، درجه حرارت، رطوبت نسبی، تشعشعات خورشیدی و سرعت باد با میزان خطای 1.11 میلی متر در روز تخمین زدند. کومار و همکاران (2002) 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 بروی این موارد توصیه نمود.
سادهر و همکاران (۲۰۰۳) تبخیر و تعرق واقعی را با استفاده از شبکه عصبی مصنوعی تخمین زد و دادههای مشاهده شده توسط لایسیمتر را با داده های شبیه سازی شده شبکه عصبی مقایسه کردند و به ضریب همبستگی ۹۲ تا ۹۴ درصد دست یافتند.
کیسی (2005) در ایالت کالیفرنیا آمریکا در دو ایستگاه هواشناسی سنوپتیک مدل شبکه عصبی را برای مدلسازی تبخیر از تشتک تبخیر به کار برد و در بررسی داده های روزانه ۴ ساله (۱۹۸۷ تا ۱۹۹۰) هواشناسی با استفاده از شبکه عصبی مصنوعی با ۵ متغیر ورودی، یک لایه پنهان و یک متغیر خروجی توانست به دقتی برای ایستگاه اول 98.5 و برای ایستگاه دوم 99.3 درصد دست پیدا کند شایان نژاد (1385) شبکه عصبی مصنوعی و روش پنمن مانتیس را در محاسبه تبخیر و تعرق پتانسیل مورد مقایسه قرار داد و نتیجه گرفت روش شبکه های عصبی مصنوعی در تعیین تبخیر و تعرق پتانسیل بسیار دقیق تر از روش پنمن مانتیس است علاوه بر این اطلاعات مورد نیاز در روش شبکه های عصبی در تعیین تبخیر و تعرق کمتر از روش پنمن مانتیس می باشد.
پیری و همکاران (۱۳۸۶) با استفاده از مدلهای دینامیکی شبکه های عصبی مصنوعی مقدار تبخیر از سطح چاه نیمه ها را در سیستان (در شما سیستان و بلوچستان) پیش بینی کردند.
اثر متقابل فاکتورهای کلیماتولوژی از قبیل دما، رطوبت نسبی، سرعت باد، تشعشع، 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 فرآیند 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 های عصبی مصنوعی را در برآورد تبخیر و تعرق مرجع آشکار می سازد.
3- مواد و روشها منطقه مورد مطالعه این مطالعه بر روی آمار هواشناسی ایستگاه سینوپتیک بیرجند در استان خراسان جنوبی صورت گرفته است.
معرفی شبکه عصبی مصنوعی (ANN)
شروع شبکه عصبی در سال ۱۹۴۳ میلادی با بکارگیری شبکه ای شامل چند نرون ساده تهیه گردید که قدرت محاسباتی قابل توجهی داشت. اولین قانون آموزش برای شبکه های عصبی را هب( Hebb) در سال ۱۹۴۹ میلادی ارائه نمود. شبکه های عصبی مصنوعی بر اساس مدل بیولوژیکی مغز جانوران بوجود آمده اند و در واقع یک سیستم داده پردازی اطلاعات است و دارای خصوصیات اجرایی همانند شبکه های عصبی جانوری می باشد. شبکه های عصبی مصنوعی ممکن است از چند نرون تا چند هزار نرون تشکیل شده باشند و اندازه شبکه بستگی به پیچیدگی مساله دارد. شبکه های عصبی را می توان در موارد گوناگون از جمله ذخیره کردن و بازبینی داده ها، گروه بندیها، شکلها انجام یک نگاشت کلی از یک مجموعه ورودی به یک مجموعه خروجی، گروه بندی اشکالی که مشابه هم هستند و بهینه سازی و تعین جواب با وجود قیود متعدد بکار گرفت.
نرون
نرون در واقع یک سلول شبکه عصبی است. نرونها، یکسری ورودی (p) را از مسیرهای مختلف دریافت می کنند و وزن های نرون ( w ) در هر مسیر بر ورودی ها تاثیر گذاشته و به همراه یک مقدار ثابت یا آستانه یا بایاس (b) به عملگر سلول وارد می شود. سلول شبکه عصبی با توجه به نوع تابع تعریف شده مقداری را تولید می کند که به سلول یا سلولهای دیگر یا خروجی شبکه ارائه می شود که نوع تابع و روابط بین ورودی ها با توجه به نوع سلول و ساختار تعریف میشود.
لایه
یک لایه از یک یا چند سلول (نرون) تشکیل می شود. سلولهای قرار گرفته در یک لایه دارای تابع محرک یکسان می باشند و می توان برای هر لایه یک تابع محرک دلخواه انتخاب کرد. همچنین تابع آموزش برای تمام سلولهای هر لایه یکسان بوده و می توان برای هر لایه ای تابع آموزش دلخواه در نظر گرفت. مهمترین خصوصیت سلولهای یک لایه این است که محاسبات آنها همزمان انجام می شود یا به عبارت دیگر ابتدا محاسبات مربوط به یک لایه به طور کامل انجام می پذیرد و پس از آن محاسبات لایه بعدی انجام می شود که نتایج آن در محاسبات لایه بعد موثر خواهد بود. معمولا لایه ای که خروجی آن خروجی نهایی شبکه باشد، به لایه خروجی موسوم است و لایه های دیگر، لایه های میانی نامیده می شوند.
تابع محرک
تابع محرک fمی تواند خطی یا غیر خطی، پیوسته یا ناپیوسته باشد. بر اساس نوع مسئله یا نوع شبکه مورد استفاده تابع محرک انتخاب گردد. اغلب از چند تابع معروف و شناخته شده در شبکه ها استفاده می شود اما کاربر می تواند بسته به نیاز خود هر نوع تابع مشتق پذیر را که نیاز داشته باشد استفاده کند. توابع زیر نمونه هایی از این توابع اند:
