بخشی از مقاله
*** اين فايل شامل تعدادي فرمول مي باشد و در سايت قابل نمايش نيست ***
برآورد تبخیر و تعرق مرجع با استفاده از روش پنمن- مانتیث- فائو، مدلسازی آن با شبکه عصبی مصنوعی و مقایسه آنها با دادههای لایسیمتری در ایستگاه کهریز ارومیه
چکیده
تبخیر و تعرق مرجع یکی از عوامل مهم سیکل هیدرولوژیکی است که باید در طرحهای آبیاری، مطالعات زهکشی و هیدرولوژیکی برآورد شود، لایسیمتر یکی از دقیقترین روشهای برآورد تبخیر و تعرق است اما استفاده از لایسیمتر مستلزم هزینه و وقت زیادی است، از این رو تخمین تبخیر و تعرق با استفاده از پارامترهای هواشناسی و به کار بردن مدلهای تجربی انجام میگیرد که در این میان، معادله پنمن- مانتیث- فائو به عنوان روش استاندارد محاسبه تبخیر و تعرق مرجع شناخته میشود از آنجایی که این روش به تجهیزات هواشناسی گران قیمتی نیاز دارد کاربرد آن در بسیاری از مناطق محدود شده است بنابراین استفاده از روشهای ساده که به دادههای کمتر هواشناسی نیاز باشد مورد توجه است، ولی این روشها برای دورههای زمانی ماهانه و بیشتر معتبر میباشد. با توجه به اینکه تبخیر و تعرق فرآیندی پیچیده و غیرخطی است و شبکه عصبی مصنوعی ابزار مناسبی برای این منظور است از اینرو در این تحقیق از شبکه عصبی مصنوعی به کمک نرم افزار NeuroSolutions برای تخمین تبخیر و تعرق استفاده شد، به این منظور بر اساس دادههای اقلیمی روزانه و دادههای 4 ساله لایسیمتری ایستگاه کهریز ارومیه، مقدار تبخیر و تعرق به روشهای مذکور محاسبه گردید، نتایج حاصل از محاسبات نشان داد که شبکه عصبی مصنوعی با 6 پارامتر ورودی، یک لایه پنهان و 4 نرون با توجه به شاخصهای آماری RMSE، NRMSE، MAE و R2 نسبت به روش پنمن- مانتیث- فائو، همخوانی بیشتری با دادههای لایسیمتری منطقه مورد نظر دارد.
واژههای کلیدی: تبخیر و تعرق، پنمن- مانتیث- فائو، شبکه عصبی مصنوعی، لایسیمتر، /NeuroSolutions
مقدمه
یکی از راه های کاهش تلفات آب در مزارع، برنامهریزی صحیح آبیاری است که اساس آن را برآورد دقیق نیاز آبی گیاهان تشکیل میدهد
و ضریبی از تبخیر و تعرق مرجع1 میباشد. تبخیر و تعرق مرجع یک پدیده چند متغیره و پیچیده است که به عوامل متعدد اقلیمی بستگی دارد. روشهایی که برای تخمین تبخیر و تعرق مرجع استفاده میشود در دو گروه اصلی قرار میگیرند که عبارتند از: روشهای مستقیم و روشهای محاسباتی.
در روشهای مستقیم، بخش کوچک و کنترل شدهای از مزرعه را جدا کرده و مقدار تبخیر و تعرق در یک دوره زمانی، مستقیماً اندازهگیری میشود. معمولترین روش مستقیم، تعیین تبخیر و تعرق با استفاده از اصل بیلان جرمی در یک حجم کنترل شده از خاک (لایسیمتر(2 میباشد اما نصب لایسیمتر مشکل و پرهزینه میباشد و استخراج دادههای تبخیر و تعرق نیز دشوار و بسیار وقتگیر است لذا این روش عمومیت ندارد و جهت برآورد تبخیر و تعرق از روشهای محاسباتی و برآورد تبخیر
و تعرق گیاه مرجع استفاده میشود. در روشهای محاسباتی که میتوان آنها را روشهای غیر مستقیم دانست از عوامل مختلف اقلیمی و گیاهی استفاده شده و از روی ارتباط آنها با تبخیر و تعرق و معادلههایی کهقبلاً با روشهای مستقیم واسنجی شدهاند، تبخیر- تعرق پوشش گیاهی مورد نظر تخمین زده میشود (علیزاده، .(1385
تحقیقات انجام گرفته در نقاط مختلف جهان مبین این نکته است که دقت مقادیر تبخیر- تعرق برآورد شده با رابطه پنمن-مانتیث- فائو1 در مقایسه با مقادیر اندازهگیری شده لایسیمتر از دیگر روابط برآورد ETo بهتر می باشد و در شرایطی که داده های لایسیمتری در دسترس نباشند، به عنوان یک رابطه استاندارد توصیه شده است (آلن و همکاران2، .(1998
پائولو و همکاران(2009 ) 3، در 12 ایستگاه هواشناسی در کشور کانادا به بررسی اثر کاهش پارامترهای اندازهگیری شده در معادله پنمن- مانتیث- فائو پرداختند. ایشان با استفاده از معادلات موجود در نشریه FAO-56 بعضی از پارامترهای ورودی معادله پنمن- مانتیث را برآورد کردند و به این ترتیب از ورودی معادله کاسته شد. معادلات دادههای محدود را با مدلهای هارگریوز- سامانی، تورنت وایت و پرستلی- تیلور مقایسه کردند. برای مقایسه مدلها از آماره های RMSE، MBE، R2 و شیب خط رگرسیون استفاده نمودند. نتایج حاکی از آن بود که پنمن- مانتیث- فائو در حالتی که سرعت باد اندازهگیری نشده باشد، از دقت بالاتری برخوردار است.
ترجکویک(2005) 4 با استفاده از دادههای هواشناسی از سال 1997- 1996، تبخیر- تعرق مرجع ماهانه را توسط روش پنمن- مانتیث به عنوان یک روش استاندارد تعیین و با استفاده از آن شبکههای عصبی مصنوعی را برای پیشبینی ETO(t+1) بر اساس ETO(t-1) و ETO(t-2) آموزش دادند. نتایج بدست آمده حاکی از موفقیت بالای این شبکهها در پیشبینی ETO است.
عابدی کوپایی و همکاران (1387) طی یک پژوهشی به مقایسه چهار روش تخمین تبخیر و تعرق گیاه مرجع با دادههای میکرو لایسیمتری در منطقه اصفهان پرداختند. ایشان معادله پنمن - مانتیث- فائو را دقیقترین معادله و معادله تشتک تبخیر را کم دقتترین معادله نسبت به سایر معادلات تبخیر و تعرق روزانه معرفی کردند.
رضایی و همکاران (1386) در مطالعهای برای شهر کرمان، روشهای مختلف برآورد تبخیر و تعرق گیاه مرجع را با سنجشهای لایسیمتری در سه بازه زمانی ساعتی، روزانه و ماهانه مورد ارزیابی قرار دادند. نتایج نشان داد در بازه ساعتی روش پنمن- مانتیث- فائو، در بازه روزانه و ماهانه، روش پنمن کیمبرلی 1982 به عنوان روش برتر جهت تخمین تبخیر و تعرق منطقه میباشند.
کومار و همکاران(2002) 5 با استفاده از شبکههای عصبی مصنوعی، تبخیر و تعرق مرجع چمن را تخمین زدند. در این مطالعه دادههای اقلیمی نرمال شده شامل حداقل و حداکثر درجه حرارت هوا، حداقل و حداکثر رطوبت نسبی هوا، سرعت باد و تشعشعات خورشیدی از دیویس کالیفرنیا، جمعآوری شده و به عنوان دادههای ورودی استفاده شدند. نهایتاً شبکهای با یک لایه ورودی (با 6 نرون) ، یک لایه مخفی (با 7 نرون) و یک لایه خروجی (با یک نرون) بهترین نتایج را داده است، به طوری که مقدار خطا کمتر از 0/6 میلیمتر در روز بود در حالی مقدار خطای روش پنمن- مانتیث برای دادههای این تحقیق برابر با 0/97 میلیمتر در روز بود.
شایان نژاد (1385) تبخیر و تعرق پتانسیل را با روش پنمن- مانتیث- فائو و مدل شبکه عصبی مقایسه نمود. این مطالعه با استفاده از دادههای 5 ساله ایستگاه هواشناسی اکتابان همدان انجام گرفت، نتایج نشان داد که روش شبکه عصبی مصنوعی در تعیین تبخیر و تعرق پتانسیل بسیار دقیقتر از روش پنمن- مانتیث- فائو میباشد.
قبادیان و همکاران (1388) از دو روش بلانی کریدل اصلاح شده و پنمن - مانتیث- فائو و همچنین مدل شبکه عصبی برای تعیین تبخیر و تعرق مرجع در منطقه کرمانشاه استفاده نمود، ایشان برای این منظور از دادههای اقلیمی روزانه کرمانشاه در بازه زمانی 2003-2005 استفاده نمودند، نتایج نشان داد که مدل شبکه عصبی با دقت بیشتری تبخیر و تعرق مرجع را پیش بینی میکند و پس از آن روش بلانی کریدل نسبت به پنمن- مانتیث- فائو در اولویت قرار دارد.
هدف از این تحقیق، مقایسه روش ترکیبی پنمن- مانتیث- فائو و مدل شبکه عصبی مصنوعی با دادههای لایسیمتری می-باشد تا مناسبترین مدل برای کهریز ارومیه بدست آید و بتواند جایگزین دادههای لایسیمتری شود.
مواد و روشها
برای اجرای آزمایش از لایسیمتر زهکشدار بدون سطح ایستابی ثابت در ایستگاه تحقیقات کهریز ارومیه استفاده گردید، این ایستگاه در 42 کیلومتری شهرستان ارومیه و در کنار جاده ارومیه به سلماس و دارای طول جغرافیایی َ59ْ44 شرقی و عرض جغرافیایی َ53ْ37 شمالی و ارتفاع 1325 متر از سطح دریا میباشد، اقلیم منطقه مورد مطالعه سرد و نیمه خشک است، حداکثر درجه حرارت مطلق 38 درجه، حداقل آن 23 درجه و متوسط بارندگی در حدود 350 میلی متر میباشد و آزمایش از سال 1375 تا 1378 به مدت چهار سال اجرا شده است. سطح لایسیمتر به شکل مربع به طول 1/25 متر با کف شیبدار به طوری که عمق آن در یکی از دو دیواره 1 متر و در دیواره مقابل 1/2 متر است، لوله زهکش جهت خارج ساختن زهاب داخل
لایسیمتر به قطر 2/5 سانتیمتر و حدود 3 سانتیمتر از ته لایسیمتر فاصله دارد (رضوی، .(1380
به طور کلی روشهای غیر مستقیم برای تبخیر و تعرق مرجع به سه دسته معادلات تجربی ( تابشی و حرارتی)، معادلات انتقال جرم و معادلات ترکیبی تقسیم میشوند که بعضی از این روشها مانند روش تجربی بلانی- کریدل ساده و بعضی مانند روش ترکیبی پنمن- مانتیث- فائو پیچیده هستند. در این تحقیق از معتبرترین روش غیرمستقیم یعنی پنمن- مانتیث- فائو (PM-FAO 56) 56 استفاده شد.
روش پنمن- مانتیث- فائو 56
در این روش گیاه مرجع یک پوشش چمن فرضی است با ارتفاع 0/12 متر، مقاومت سطحی ثابت70 ثانیه بر متر و ضریب بازتابش (آلبیدو) 0/23 که تبخیر آن شباهت بسیار زیادی به تبخیر از سطح وسیع چمن سبز با ارتفاع یکنواخت، رشد فعال و دسترسی به آب کافی، دارد.
(1)
که در آن ET0 تبخیر و تعرق پتانسیل (میلی متر در روز)، Rn تابش خالص ورودی به سطح گیاه (مگا ژول بر مترمربع در روز)، G شار گرمایی خاک (مگا ژول بر مترمربع در روز)، T میانگین روزانه دمای هوا (درجه سلسیوس)، U2 سرعت روزانه باد در ارتفاع 2 متری (متر بر ثانیه)، ea فشار بخار واقعی (کیلو پاسکال)، es فشار بخار اشباع (کیلو پاسکال)، شیب منحنی فشار بخار (کیلو پاسکال بر درجه سلسیوس) و γ ضریب ثابت سایکرومتری (کیلو پاسکال بر درجه سلسیوس) میباشد.
شبکه عصبی مصنوعی
شبکه عصبی مصنوعی1 یک سامانه پردازش دادهها است که از مغز انسان ایده گرفته و پردازش دادهها را به عهده پردازنده-های کوچکی به نام نرون2 سپرده که به صورت شبکهای به هم پیوسته و موازی با یکدیگر رفتار میکنند تا یک مسئله را حل نمایند. این شبکهها همانند انسانها با مثال یاد میگیرند و با پردازش روی دادههای تجربی، قانون نهفته در ورای دادهها را به ساختار شبکه منتقل میکنند.
شبکههای عصبی مصنوعی، مدلهای محاسباتی هستند که قادرند ارتباط میان ورودیها و خروجیهای یک سیستم فیزیکی را توسط شبکهای از گرهها که همگی به هم متصل هستند، تعیین نمایند. شبکه عصبی مصنوعی از سه لایه به نام لایه ورودی3، لایه مخفی4 و لایه خروجی5 تشکیل شده است که در هر لایه یک یا چند عنصر پردازشگر وجود دارد که با تمام نرون های لایه بعدی مرتبط میباشند. تعداد نرونهای لایه ورودی برابر تعداد متغیرهای مستقل سیستم مورد نظر میباشد که
در این تحقیق متغیرهای مستقل همان متغیرهای اقلیمی میباشند. به هر یک از نرونهای لایه ورودی، وزنی داده میشود که مقدار آن تعیین کننده تأثیر هر متغیر بر میزان عملکرد لایه ورودی است. هر عنصر پردازشگر یا نرون از دو قسمت تشکیل شده است. در قسمت اول آن، مجموع وزنی مقادیر ورودی به آن محاسبه میشود. در قسمت دوم، نرون خروجی قسمت اول در یک تابع ریاضی قرار گرفته و از طریق آن خروجی نرون محاسبه میشود. به این تابع ریاضی در اصطلاح تابع تحریک، تابع آستانه یا تابع انتقال میگویند که عملکرد آن شبیه یک فیلتر غیرخطی است و باعث میشود تا خروجی نرون در یک محدوده عددی خاص قرار گیرد (منهاج، .(1381
به طور کلی، مجموعه دادههایی که به شبکه داده میشود به دو دسته کلی، مجموعه آموزشی (شامل دو بخش آموزش و صحتسنجی) و مجموعه تست تقسیم میشوند. روند استفاده از شبکههای عصبی مصنوعی، استفاده از مدل شامل سه مرحله آموزش، صحت سنجی و تست میباشد، بدین صورت که با %70 دادهها مدل آموزش و با %15 دادهها مدل صحتسنجی می-شود تا مقدار خطا به حداقل رسانده شود، سپس با %15 باقیمانده تست میگردد نهاتاًی مدل آماده پیش بینی میشود.
شبکههای عصبی مصنوعی قادر به برونیابی در خارج از محدوده تعریف شده دادهها نیستند، زمانی که محدوده دادههای صحتسنجی، خارج از محدوده دادههای آموزش باشند، نتایج خوبی نخواهد داشت بنابراین باید مقادیر حداقل و حداکثر دادهها در مجموعه آموزشی قرار بگیرند (یزدانخواه .(1387
جهت کار با شبکههای عصبی مصنوعی، نرمافزارهای متعددی وجود دارد که بسته به قابلیتهای هر نرمافزار میتوان یکی از آنها را انتخاب کرد. برای انجام این تحقیق از نرمافزار NeuroSolutions V 6.07 استفاده شد. قبل از هر چیز ابتدا باید دادههای ورودی و خروجی انتخاب شوند. دادههای ورودی این تحقیق شامل دمای بیشینه (TMax)، دمای کمینه (TMin)، رطوبت نسبی بیشینه (RHMax)، رطوبت نسبی کمینه (RHMin)، سرعت باد (u) و ساعات آفتابی (n) و داده خروجی آن دادههای لایسیمتری میباشد، قبل از معرفی دادهها به نرم افزار، دادهها باید در محدوده صفر و یک نرمالیزه شوند، برای این کار میتوان از رابطه (2) استفاده کرد.
(2)
که در آن : DN داده نرمال شده، : D داده واقعی، : DMin کوچکترین داده واقعی، : DMax بزرگترین داده واقعی میباشد.
شایان ذکر است که لزومی برای نرمالیزه کردن دادهها در نرم افزار NeuroSolutions وجود ندارد چون خود نرمافزار این کار را بعد از معرفی دادهها انجام میدهد و در مرحله پایانی دادهها را به مقادیر حقیقی بر می گرداند.
پس از تهیه دادههای مورد نیاز، شبکه باید طراحی گردد. آنچه شبکههای مختلف را از هم متمایز می سازد، معماری مختلف آنها است. در طراحی یک شبکه برخی خواص قابل تغییر هستند. از مهمترین خواص تغییر پذیر یک شبکه تعداد لایههای مخفی و تعداد نرونهای هر لایه است. مشروط بر اینکه نتایج مناسب و دقیقی از شبکه بدست آید، هر چه تعداد لایهها و تعداد نرونهای هر لایه کمتر باشد، شبکه از معماری بهتری برخوردار است. به عبارت دیگر اگر نتایج دو شبکه که از نظر تعداد لایهها و تعداد نرونهای هر لایه متفاوت هستند، یکسان باشد، شبکهای که تعداد لایههای مخفی آن کمتر است از ارزش بیشتری برخوردار است (نعمتپور، .(1385
معیارهای آماری
برای ارزیابی روشهای مختلف و تعیین بهترین روش، جهت برآورد تبخیر و تعرق گیاه مرجع از چهار پارامتر ریشه میانگین مربعات خطا(RMSE) 1، ریشه میانگین مربعات خطای نرمال(NRMSE) 2، میانگین مطلق خطا(MAE) 3 و ضریب همبستگی4 (R2) استفاده شده است که از روابط زیر محاسبه میشود:
که در آن : n تعداد کل داده های مشاهدهای، : ti خروجی واقعی و : ai خروجی شبیه سازی شده میباشـد، هـر چـه مقـدار RMSE به صفر نزدیکتر باشد، خطای مدل کمتر و دقت مدل بالاتر میباشد.که در آن : tMax ماکزیمم خروجی واقعی، : tMin مینیمم خروجی واقعی است.که در آن پارامترهای n، ti و ai همان پارامترهای تعریـف شـده در بیـان RMSE هسـتند. MAE مقـدار تطـابق بـا خطـای میانگین را بررسی میکند. مقدار مطلوب برای MAE برابر صفر است.
