مقاله برآورد میزان تبخیر آب های سطحی خلیج فارس با استفاده از شبکه های باور بیزی

word قابل ویرایش
12 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 میزان تبخیر آب های سطحی خلیج فارس با استفاده از شبکه های باور بیزی
چکیده – پدیده تبخیر یکی از مولفه های اقلیمی تاثیر گذار در مدیریت منابع آب می باشد و برآورد آن در مقیاس های زمانی مختلف ، به عنوان یکی از مهمترین پارامترهای جوی، از اهمیت ویژه ای در کشاورزی برخوردار است . در این مقاله از شبکه های باور بیزی به عنوان یک روش مدل سازی غیر خطی برای ارائه یک روش برآورد تبخیر، تحت عدم قطعیت استفاده شده است . مطالعه موردی، برآورد تبخیر آب های سطحی خلیج فارس و داده های ما مشاهدات ثبت شده ایستگاه های سینوپتیک واقع در استان های هرمزگان و بوشهر در بازه زمانی ٢٠٠۵- ١٩٨۵ می باشد. در این مقاله ابتدا با استفاده از الگوریتم جستجوی K٢ به عنوان یک روش یادگیری ساختاری امتیازگرا، شبکه بیزی مورد نظر بدست آمد و سپس با نرم افزار Netica میزان تبخیر روزانه اندازه گیری شد. خروجی روش ارائه شده نشان می دهد که این مدل، از دقت و قابلیت اطمینان بیشتری نسبت به روش های خطی موجود برخورداراست .
کلید واژه- تبخیر، خلیج فارس، شبکه های باور بیزی، یادگیری ساختاری، Netic.

١- مقدمه
اساسا برآورد و پیش بینی تغییرات عناصر اقلیمی کار دشوار و پیچیده ای است . در ابتدا باید بـه الگوهـای هواشناسـی توجـه کرد که شامل سیستم های بزرگ آب و هوایی ، مدل های جوی و تاثیر دمای سطح زمین و دریا بر اقلـیم مـی باشـد. در مرحلـه ی بعد پیش نیازهای محاسباتی الگوریتم هـا و مجموعـه داده هـای آزمایشی مطرح می شود که برای برآورد و پیش بینی ، ضروری به نظر می رسند. در دهه ی کنونی اکثر مسائل مربـوط بـه بـرآورد تغییرات عناصر اقلیمی با کمک روش های دوران (انتشـار) جـوی یا ACM حل می شود. به صورت کلی روش ACM از مدل هـای توصیفی برای تولید الگوهایی جـوی در بـازه هـای زمـانی کوتـاه مدت اسـتفاده مـی کننـد. افـزایش دسـترس پـذیری داده هـای اقلیمی در دهه ی گذشته ماننـد رکوردهـای مشـاهده ای، نقشـه های راداری، نقشه هـای مـاهواره ای و داده هـای تقریبـی باعـث توسعه ی تکنیک هـای آمـاری و داده کـاوی هوشـمند در علـوم جوی شده است . اساس کار ACM مبتنـی بـر مشـاهدات عینـی است اما کاری که ابزارهـای هوشـمند در ایـن زمینـه انجـام مـی دهند مبتنی بر مشاهدات استنباطی است [١].
امروزه تلاش های زیادی برای ادغام روش های کلاسـیک بـا روش های رگرسیون و یادگیری ماشین یا MLT کـه اسـاس کـار آنها بر اساس کشـف روابـط مشـاهدات گذشـته ذخیـره شـده در پایگاه داده تنظیم می گردد انجام شده است . خوشـبختانه شـبکه های باور بیزی به عنوان یک ابزار هوش مصنوعی ، امکانی مناسب برای پوشش بهینه یـک شـبکه ی جغرافیـایی محـدود را بوجـود آورده تا با کمک آن و استفاده از تاثیر مناطق جغرافیایی همسایه روی هم ، بتوان زمان اجـرای ایـن مراحـل را تقلیـل داد. سـاختار شــبکه هــای بیــزی بــر مبنــای متغیرهــای آب و هــوایی و یــا ایستگاههای آب و هوایی که کار ثبت متغیرها را انجام می دهنـد شکل می گیرد. در این مقاله ما بـه ارزیـابی کـاربرد شـبکه هـای بیزی در برآورد میـزان تبخیـر سـطحی آب مـی پـردازیم . اصـولا تبخیر سطحی به مجموعه پدیده های فیزیکی گفته می شود کـه توسط آن ذرات آب از طریق دریافت انرژی های بیرونی به حالـت بخار وارد اتمسفر می شوند و نقـش انکـار ناپـذیری را در میـزان بارش های جوی منطقه به عهـده دارنـد. دو منبـع داده ی مهـم برای کاربرد های آماری در چنـین زمینـه ای وجـود دارد. پایگـاه داده های Climatological و Synoptic که اطلاعـات جغرافیـایی را از ایستگاههای یک شبکه جغرافیـایی خـاص جمـع آوری مـی کنند[٢][١].
٢- ناحیه جغرافیایی مورد مطالعه
در این مقاله حوضه آبریز خلـیج فـارس بـه عنـوان ناحیـه مـورد مطالعه انتخاب شده است که در تصویر شکل ١ نشـان داده شـده است . ما یک پایگاه داده از رکوردهای مربوط بـه تبخیـر سـطحی آب در ١٣ ایستگاه هواشناسی سینوپتیک را در اختیار داریم کـه توسط سـازمان ملـی هواشناسـی ایـران بـه ثبـت رسـیده اسـت .
ایستگاههای سینوپتیک ایستگاههایی هستند که بطـور همزمـان در سراسـر دنیـا بــر اسـاس ضـوابط و مقــررات سـازمان جهـانی هواشناسـی بطـور ٢۴ سـاعته موظـف بـه انـدازه گیـری و تهیـه پارامترهای جوی و ارسال آنها در شبکه مخابراتی ، به ترتیـب سـه ساعت به سه ساعت بنام سینوپ و ساعت به ساعت بـه نـام متـار می باشند که در تصویر شکل ٢ نشان داده شده است .
اما از آنجایی که متغیرها برای چنین کاربردهایی به صـورت گسسته فرض می شوند می توان چهـار حالـت را بـرای هـر گـره (ایستگاه) در نظر گرفت به طور مثال بـرای متغیـر میـزان بـارش حالت های بدون تبخیر = ١، تبخیر کم = ٢ ، تبخیر متوسـط = ٣ و تبخیر سنگین = ۴ که به ترتیب معادل مقادیر پیوسته کمتـر از ۶ میلی متر بـارش در روز، از ۶ تـا ٣٠ میلـی متـر، از ٣٠ تـا ۶٠ میلی متر و بیشتر از ۶٠ میلی متر تبخیر روزانه هستند[۴][٢][١].

شکل ١: حوضه آبریز خلیج فارس

شکل ٢: ایستگاه های سینوپتیک ثبت رکورد

٣- شبکه های باور بیزی
اساسا شبکه های بیزی برای کشف و نمایش وابستگی هـا از یک گراف بـدون دور جهـت دار اسـتفاده مـی کننـد. هـر گـراف مجموعه ای از گره ها، حالات و کمان ها را در بر می گیـرد. گـره ها و کمـان هـا بـه ترتیـب نمایشـگر متغیرهـا و وابسـتگی میـان متغیرها می باشند. مقادیر مختلـف متغیرهـا بـر اسـاس حـالات ممکن آن تعیین می گردد. بـه دو گـره کـه توسـط یـک کمـان ارتباطی به هم متصل شده اند، لبه گفته می شـود. بـرای هـر دو متغیر که ارتباط علی بین آنها وجود دارد، لبه به صورت یک خط جهت دار است که متغیر تاثیر گذار (علت ) را به متغیر تاثیر پـذیر (معلول) متصل می کند. محاسبه تاثیر کمی گره هـا یـا متغیرهـا روی یکدیگر توسط جداول احتمالات شرطی یا CPT انجـام مـی شود که برای هر گره به طور جداگانه مشخص می گـردد. توزیـع احتمالاتی یک مجموعه از متغیرها با فرض مستقل بـودن آنهـا از حاصل ضرب توزیع احتمالاتی شرطی به این صورت بدسـت مـی آید.

که در آن yi ،i امین مقدار متغیر تصادفی ، Pr احتمال تـوام مقادیر (yn,…,y2,y1) و π مجموعه ی والدهای گره ی y اسـت .
و این رابطه به این معنی است که ” احتمال وقـوع یـک پیشـامد فقط به احتمال وقوع پیشامد های والد آن بسـتگی دارد “. عـدم وجود ارتباط میان گره ها نیز راهی برای بیان اطلاعات اسـت کـه بر عدم وابستگی و استقلال تاکید می کند. نـمـونــه ای از یــک شـبـکـه بـیـزی سـاده بـه هـمـراه جـداول CPT مـتـنـاظـر بـا گرههای آن در شکل ٣ نشان داده شده است .

شکل ٣: نمونه ای از یک شبکه بیزی ساده
۴- روش های یادگیری شبکه های باور بیزی
دو دسـته ی مهـم از روش هـای یـادگیری در شـبکه هـای بیزین ، یادگیری پارامتر و یـادگیری ساختاراسـت . از آنجـایی کـه شبکه بیزین یک مدل آماری اسـت ، روش یـادگیری پـارامتر کـه یک روش یادگیری در آمار است می تواند در شبکه هـای بیـزین نیز مورد استفاده قرار بگیرد. پارامترهـا در یـک شـبکه ی بیـزین همان مقادیر احتمال هستند که در جداول CPT وجود دارند. در واقع هدف از یادگیری پارامتری محاسبه عناصر موجود در جدول توزیع احتمال شرطی هر گره از شبکه می باشد[۶].
مهمترین هدف در روش یادگیری ساختاری یـافتن بهتـرین ساختار برای شبکه بیزین است که با داده های موجـود مطابقـت داشته و از لحاظ پیچیدگی بهینه باشد. این روش یادگیری خـود شامل دو روش محدودیت گـرا و امتیـازگرا مـی باشـد. روشـهای
محدودیت گرا که در آن ساختار شبکه بیزی بـا مشـخص کـردن رابطه استقلال شرطی بین گره هـا بدسـت مـی آیـد و روشـهای امتیاز گرا که در آنها بهترین شبکه بیشترین تطابق با داده را دارد.
اگر چه شبکه های بیزی را می توان برای پیش بینی وضعیت آب و هوا به صورت محدود به کار برد اما تعیین ساختار خـود شـبکه بیزین یک مسـئله ی Hard –NP اسـت ، چـون حـالات بسـیاری برای متصل کردن ایستگاه ها به هم مـی تـوان در نظـر گرفـت . برای کاهش تاثیر این مشکل مـی تـوان از الگـوریتم K٢ و Hill Climbing استفاده کرد که یک روش یادگیری سـاختاری امتیـاز گراست . اساسا روش های امتیـاز گـرا راهکـار هـای مقیاسـی یـا متریک را پیشنهاد می کننـد و در آن از شـیوه ی امتیـاز بنـدی برای تعیین یک مدل سـببی اسـتفاده مـی شـود. در ایـن شـیوه تلاش می شود که در فضای کلی تمام روابط ممکن میان گره هـا ارزیابی شده و یک نمونه با حداکثر رتبه تعیین شود. در واقع این روش ها بدنبال ماکزیمم کردن یک معیار هستند.

این فقط قسمتی از متن مقاله است . جهت دریافت کل متن مقاله ، لطفا آن را خریداری نمایید
word قابل ویرایش - قیمت 12700 تومان در 12 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