بخشی از مقاله
*** اين فايل شامل تعدادي فرمول مي باشد و در سايت قابل نمايش نيست ***
برآورد ميزان تبخير آب هاي سطحي خليج فارس با استفاده از شبکه هاي باور بيزي
چکيده - پديده تبخير يکي از مولفه هاي اقليمي تاثير گذار در مديريت منابع آب مي باشد و برآورد آن در مقياس هاي زماني مختلف ، به عنوان يکي از مهمترين پارامترهاي جوي، از اهميت ويژه اي در کشاورزي برخوردار است . در اين مقاله از شبکه هاي باور بيزي به عنوان يک روش مدل سازي غير خطي براي ارائه يک روش برآورد تبخير، تحت عدم قطعيت استفاده شده است . مطالعه موردي، برآورد تبخير آب هاي سطحي خليج فارس و داده هاي ما مشاهدات ثبت شده ايستگاه هاي سينوپتيک واقع در استان هاي هرمزگان و بوشهر در بازه زماني ٢٠٠٥- ١٩٨٥ مي باشد. در اين مقاله ابتدا با استفاده از الگوريتم جستجوي K٢ به عنوان يک روش يادگيري ساختاري امتيازگرا، شبکه بيزي مورد نظر بدست آمد و سپس با نرم افزار Netica ميزان تبخير روزانه اندازه گيري شد. خروجي روش ارائه شده نشان مي دهد که اين مدل، از دقت و قابليت اطمينان بيشتري نسبت به روش هاي خطي موجود برخورداراست .
کليد واژه- تبخير، خليج فارس، شبکه هاي باور بيزي، يادگيري ساختاري، Netic.
١- مقدمه
اساسا برآورد و پيش بيني تغييرات عناصر اقليمي کار دشوار و پيچيده اي است . در ابتدا بايد بـه الگوهـاي هواشناسـي توجـه کرد که شامل سيستم هاي بزرگ آب و هوايي ، مدل هاي جوي و تاثير دماي سطح زمين و دريا بر اقلـيم مـي باشـد. در مرحلـه ي بعد پيش نيازهاي محاسباتي الگوريتم هـا و مجموعـه داده هـاي آزمايشي مطرح مي شود که براي برآورد و پيش بيني ، ضروري به نظر مي رسند. در دهه ي کنوني اکثر مسائل مربـوط بـه بـرآورد تغييرات عناصر اقليمي با کمک روش هاي دوران (انتشـار) جـوي يا ACM حل مي شود. به صورت کلي روش ACM از مدل هـاي توصيفي براي توليد الگوهايي جـوي در بـازه هـاي زمـاني کوتـاه مدت اسـتفاده مـي کننـد. افـزايش دسـترس پـذيري داده هـاي اقليمي در دهه ي گذشته ماننـد رکوردهـاي مشـاهده اي، نقشـه هاي راداري، نقشه هـاي مـاهواره اي و داده هـاي تقريبـي باعـث توسعه ي تکنيک هـاي آمـاري و داده کـاوي هوشـمند در علـوم جوي شده است . اساس کار ACM مبتنـي بـر مشـاهدات عينـي است اما کاري که ابزارهـاي هوشـمند در ايـن زمينـه انجـام مـي دهند مبتني بر مشاهدات استنباطي است [١].
امروزه تلاش هاي زيادي براي ادغام روش هاي کلاسـيک بـا روش هاي رگرسيون و يادگيري ماشين يا MLT کـه اسـاس کـار آنها بر اساس کشـف روابـط مشـاهدات گذشـته ذخيـره شـده در پايگاه داده تنظيم مي گردد انجام شده است . خوشـبختانه شـبکه هاي باور بيزي به عنوان يک ابزار هوش مصنوعي ، امکاني مناسب براي پوشش بهينه يـک شـبکه ي جغرافيـايي محـدود را بوجـود آورده تا با کمک آن و استفاده از تاثير مناطق جغرافيايي همسايه روي هم ، بتوان زمان اجـراي ايـن مراحـل را تقليـل داد. سـاختار شــبکه هــاي بيــزي بــر مبنــاي متغيرهــاي آب و هــوايي و يــا ايستگاههاي آب و هوايي که کار ثبت متغيرها را انجام مي دهنـد شکل مي گيرد. در اين مقاله ما بـه ارزيـابي کـاربرد شـبکه هـاي بيزي در برآورد ميـزان تبخيـر سـطحي آب مـي پـردازيم . اصـولا تبخير سطحي به مجموعه پديده هاي فيزيکي گفته مي شود کـه توسط آن ذرات آب از طريق دريافت انرژي هاي بيروني به حالـت بخار وارد اتمسفر مي شوند و نقـش انکـار ناپـذيري را در ميـزان بارش هاي جوي منطقه به عهـده دارنـد. دو منبـع داده ي مهـم براي کاربرد هاي آماري در چنـين زمينـه اي وجـود دارد. پايگـاه داده هاي Climatological و Synoptic که اطلاعـات جغرافيـايي را از ايستگاههاي يک شبکه جغرافيـايي خـاص جمـع آوري مـي کنند[٢][١].
٢- ناحيه جغرافيايي مورد مطالعه
در اين مقاله حوضه آبريز خلـيج فـارس بـه عنـوان ناحيـه مـورد مطالعه انتخاب شده است که در تصوير شکل ١ نشـان داده شـده است . ما يک پايگاه داده از رکوردهاي مربوط بـه تبخيـر سـطحي آب در ١٣ ايستگاه هواشناسي سينوپتيک را در اختيار داريم کـه توسط سـازمان ملـي هواشناسـي ايـران بـه ثبـت رسـيده اسـت .
ايستگاههاي سينوپتيک ايستگاههايي هستند که بطـور همزمـان در سراسـر دنيـا بــر اسـاس ضـوابط و مقــررات سـازمان جهـاني هواشناسـي بطـور ٢٤ سـاعته موظـف بـه انـدازه گيـري و تهيـه پارامترهاي جوي و ارسال آنها در شبکه مخابراتي ، به ترتيـب سـه ساعت به سه ساعت بنام سينوپ و ساعت به ساعت بـه نـام متـار مي باشند که در تصوير شکل ٢ نشان داده شده است .
اما از آنجايي که متغيرها براي چنين کاربردهايي به صـورت گسسته فرض مي شوند مي توان چهـار حالـت را بـراي هـر گـره (ايستگاه) در نظر گرفت به طور مثال بـراي متغيـر ميـزان بـارش حالت هاي بدون تبخير = ١، تبخير کم = ٢ ، تبخير متوسـط = ٣ و تبخير سنگين = ٤ که به ترتيب معادل مقادير پيوسته کمتـر از ٦ ميلي متر بـارش در روز، از ٦ تـا ٣٠ ميلـي متـر، از ٣٠ تـا ٦٠ ميلي متر و بيشتر از ٦٠ ميلي متر تبخير روزانه هستند[٤][٢][١].
شکل ١: حوضه آبريز خليج فارس
شکل ٢: ايستگاه هاي سينوپتيک ثبت رکورد
٣- شبکه هاي باور بيزي
اساسا شبکه هاي بيزي براي کشف و نمايش وابستگي هـا از يک گراف بـدون دور جهـت دار اسـتفاده مـي کننـد. هـر گـراف مجموعه اي از گره ها، حالات و کمان ها را در بر مي گيـرد. گـره ها و کمـان هـا بـه ترتيـب نمايشـگر متغيرهـا و وابسـتگي ميـان متغيرها مي باشند. مقادير مختلـف متغيرهـا بـر اسـاس حـالات ممکن آن تعيين مي گردد. بـه دو گـره کـه توسـط يـک کمـان ارتباطي به هم متصل شده اند، لبه گفته مي شـود. بـراي هـر دو متغير که ارتباط علي بين آنها وجود دارد، لبه به صورت يک خط جهت دار است که متغير تاثير گذار (علت ) را به متغير تاثير پـذير (معلول) متصل مي کند. محاسبه تاثير کمي گره هـا يـا متغيرهـا روي يکديگر توسط جداول احتمالات شرطي يا CPT انجـام مـي شود که براي هر گره به طور جداگانه مشخص مي گـردد. توزيـع احتمالاتي يک مجموعه از متغيرها با فرض مستقل بـودن آنهـا از حاصل ضرب توزيع احتمالاتي شرطي به اين صورت بدسـت مـي آيد.
که در آن yi ،i امين مقدار متغير تصادفي ، Pr احتمال تـوام مقادير (yn,...,y2,y1) و π مجموعه ي والدهاي گره ي y اسـت .
و اين رابطه به اين معني است که " احتمال وقـوع يـک پيشـامد فقط به احتمال وقوع پيشامد هاي والد آن بسـتگي دارد ". عـدم وجود ارتباط ميان گره ها نيز راهي براي بيان اطلاعات اسـت کـه بر عدم وابستگي و استقلال تاکيد مي کند. نـمـونــه اي از يــک شـبـکـه بـيـزي سـاده بـه هـمـراه جـداول CPT مـتـنـاظـر بـا گرههاي آن در شکل ٣ نشان داده شده است .
شکل ٣: نمونه اي از يک شبکه بيزي ساده
٤- روش هاي يادگيري شبکه هاي باور بيزي
دو دسـته ي مهـم از روش هـاي يـادگيري در شـبکه هـاي بيزين ، يادگيري پارامتر و يـادگيري ساختاراسـت . از آنجـايي کـه شبکه بيزين يک مدل آماري اسـت ، روش يـادگيري پـارامتر کـه يک روش يادگيري در آمار است مي تواند در شبکه هـاي بيـزين نيز مورد استفاده قرار بگيرد. پارامترهـا در يـک شـبکه ي بيـزين همان مقادير احتمال هستند که در جداول CPT وجود دارند. در واقع هدف از يادگيري پارامتري محاسبه عناصر موجود در جدول توزيع احتمال شرطي هر گره از شبکه مي باشد[٦].
مهمترين هدف در روش يادگيري ساختاري يـافتن بهتـرين ساختار براي شبکه بيزين است که با داده هاي موجـود مطابقـت داشته و از لحاظ پيچيدگي بهينه باشد. اين روش يادگيري خـود شامل دو روش محدوديت گـرا و امتيـازگرا مـي باشـد. روشـهاي
محدوديت گرا که در آن ساختار شبکه بيزي بـا مشـخص کـردن رابطه استقلال شرطي بين گره هـا بدسـت مـي آيـد و روشـهاي امتياز گرا که در آنها بهترين شبکه بيشترين تطابق با داده را دارد.
اگر چه شبکه هاي بيزي را مي توان براي پيش بيني وضعيت آب و هوا به صورت محدود به کار برد اما تعيين ساختار خـود شـبکه بيزين يک مسـئله ي Hard –NP اسـت ، چـون حـالات بسـياري براي متصل کردن ايستگاه ها به هم مـي تـوان در نظـر گرفـت . براي کاهش تاثير اين مشکل مـي تـوان از الگـوريتم K٢ و Hill Climbing استفاده کرد که يک روش يادگيري سـاختاري امتيـاز گراست . اساسا روش هاي امتيـاز گـرا راهکـار هـاي مقياسـي يـا متريک را پيشنهاد مي کننـد و در آن از شـيوه ي امتيـاز بنـدي براي تعيين يک مدل سـببي اسـتفاده مـي شـود. در ايـن شـيوه تلاش مي شود که در فضاي کلي تمام روابط ممکن ميان گره هـا ارزيابي شده و يک نمونه با حداکثر رتبه تعيين شود. در واقع اين روش ها بدنبال ماکزيمم کردن يک معيار هستند.
