مقاله بهبود برآورد تبخیر-تعرق پتانسیل با استفاده از ضریب اصلاحی به کمک مدل درخت تصمیم M5

word قابل ویرایش
14 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 ***

بهبود برآورد تبخیر-تعرق پتانسیل با استفاده از ضریب اصلاحی به کمک مدل درخت تصمیم M5
چکیده
تبخیر و تعرق از اساسیترین اجزای چرخهی هیدرولوژی است که تعیین صحیح آن در علوم آب از قبیل مطالعات توازن هیدرولوژیکی، طراحی و مدیریت سیستمهای آبیاری از اهمیت بالایی برخوردار است. پژوهش حاضر امکان بهبود دقت برآورد تبخیر-تعرق به روش هارگریوز-سامانی را بر اساس ضریب اصلاحی k بررسی میکند. این ضریب که نسبت برآورد تبخیر-تعرق با دو روش فائو پنمن-مانتیت (F-P-M) و هارگریوز-سامانی میباشد بر اساس متغیرهای هواشناسی مانند دمای هوا، رطوبت نسبی و دمای نقطه شبنم با استفاده از مدل درختی M5 و شبکه عصبی مصنوعی در سه ایستگاه هواشناسی آستارا، بندر انزلی و رشت برآورد گردید. برای انجام این کار، یک دوره آماری ۳۰ ساله (۱۳۹۰-۱۳۶۰) در نظر گرفته شد و دادهها برای هر ایستگاه بر اساس نسبت ۸۰ به ۲۰ درصد به دادههای آموزش و آزمون تقسیم بندی شدند. سپس مقدار k محاسبه شده در تبخیر-تعرق برآورد شده به روش هارگریوز سامانی ضرب شد. نتایج نشان دادکه مدل درختی M5 نسبت به شبکه عصبی مقدار k را بهتر برآورد میکند و با این روش میانگین اختلاف بین مقدار برآورد شده به روش هارگریوز-سامانی و پنمن-مانتیث به ترتیب برای ایستگاههای آستارا، بندرانزلی و رشت از ۰/۴۱، ۰/۵۵ و ۰/۷ به
۰/۳۱، ۰/۳۸ و ۰/۲۸ کاهش مییابد.

واژههای کلیدی: تبخیر-تعرق پتانسیل، ضریب اصلاحی، هارگریوز-سامانی، درخت تصمیم، M5

مقدمه
تبخیر -تعرق از اساسیترین اجزای چرخهی هیدرولوژی است که تعیین صحیح آن در علوم آب از قبیل مطالعات توازن هیدرولوژیکی، طراحی و مدیریت سیستمهای آبیاری از اهمیت بالایی برخوردار است(Alen et al, 1998)
مطالعات تفصیلی و خیلی از تحقیقات دیگر، کار برجسته و فوق العاده پنمن-مانتیث را تأیید کردهاند. کمیته فنی نیازهای آبی بخش آبیاری و زهکشی در انجمن مهندسان راه و ساختمان آمریکا (ASCE) در کتابی تحت عنوان آب مصرفی گیاهان و آب مورد نیاز آبیاری، ۲۰ روش محاسبه ETO را بطور ماهانه در مناطق خشک و مرطوب بر اساس نتایج لایسیمتری مورد مقایسه قرار داد و در هردو منطقه روش پنمن-مانتیث اصلاح شده توسط فائو در اولویت قرار گرفت ۱٫(Jensen et al,1990)
از بین روشهای تجربی متعدد ارائه شده برای محاسبه ETO، در سال ۱۹۹۰ از سوی کمیسیون بینالمللی آبیاری و زهکشی (۲ICID) و سازمان خواروبار جهانی (FAO)، روش فائو-پنمن-مانتیث بهعنوان تنها روش استاندارد برای محاسبه ETO و نیز جهت ارزیابی سایر روش ها پیشنهاد گردید .(Hargreaves,1994)
در تحقیقی روشهای فائو پنمن-مانتیت (F-P-M) و هارگریوز-سامانی (H-S) در شش ایستگاه لایسیمتری واقع در اسپندال((Aspendal، براولی((Brawley، دیویس((Davise، و کیمبرلی((Kimberly با آب و هوای خشک (متوسط رطوبت نسبی روزانه در مرطوبترین ماه کمتر از ۶۰ درصد) و لم پوک((lom poc، و سیبروک((Seabrook با آب و هوای مرطوب (متوسط رطوبت نسبی روزانه در مرطوبترین ماه بیشتر از ۶۰ درصد) مورد مقایسه قرار گرفت. در این تحقیق نتیجه گرفته شد که روش F-P-M و روش H-S با هم تفاوت اندکی دارند .(Jensen et al,1997)
از سال ۱۳۶۶ به مدت ۱۰ سال، فرشی و همکاران، تحقیقی در باره تهیه یک برنامه کامپیوتری جهت تعیین تبخیر-تعرق سطح مرجع چمن بر اساس روش پنمن-مانتیث برای ایستگاههای سینوپتیک ایران انجام دادند. ایشان برای نقاطی که از نظر آماری فاقد یک سری اطلاعات هواشناسی بود (حدود %۳۰ نقاط ایران) از روشهای فائو-بلانی-کریدل و H-S استفاده نمودند (فرشی و همکاران، .(۱۳۷۶ در طی سالیان اخیر مطالعات ارزندهای توسط محققان بر روی تبخیر-تعرق با استفاده از روشهای هوشمند انجام شده است. از جمله این مطالعات میتوان به براتون و همکاران و همچنین کسکین و ترزی و پرسرمن و همکاران اشاره کرد((Bruten et al,2000،( Keskin & (Terzi,2006، .(Parasuraman et al,2007) اوزگور کیسی برای مدلسازی تبخیر ماهانه در سه ناحیه از ایالت کالیفرنیا، با استفاده از پارامترهای هواشناسی (دمای هوا، سرعت باد، رطوبت، فشار و تابش خورشیدی) و روش شبکه عصبی مصنوعی به برآورد تبخیر پرداخت. نتایج ایشان نشان داد که شبکههای عصبی مصنوعی (RBF, MLP) را در مقایسه با روشهای (رگرسیون خطی چندمتغیره و Stephens– (Stewart با معیارهای سنجش آماری مختلف، از کارائی و دقت بالاتری برخوردار بودند .(Ozgur Kisi, 2007) همچنین جاین و همکاران تبخیر-تعرق را با استفاده از شبکههای عصبی محاسبه نمودند آنها ضمن تائید کارایی شبکههای عصبی در تخمین این پدیده، همچنین نشان دادند شبکههای عصبی قادرند با استفاده از دادههای محدود آب و هوایی نیز این پدیده را با دقت مناسبی برآورد نمایند .(Jain et al, 2008) دهیامبو و همکاران با استفاده از شبکه-های عصبی فازی تبخیر-تعرق گیاه مرجع چمن را تخمین زدند
.(Diamantopoulou et al,2010) تراجکوویس (۲۰۰۹) برای محاسبهی تبخیر-تعرق در منطقهی پولیکارو (ایتالیا) از شبکهی تابع پایه شعاعی (RBF) و روشهای کریستیانسن۱، پنمن و پنمنمانتیث فائو استفاده نمود. نتایج حاصل نشان داد که شبکهی تابع پایه شعاعی نسبت به بقیه روشها در مقایسه با نتایج حاصل از لایسیمتر وزنی از خطای کمتری برخوردار است.
شایان نژاد (۱۳۸۵) با استفاده از اطلاعات اقلیمی و لایسیمتری ۵ ساله در ایستگاه هواشناسی اکباتان همدان، تبخیر-تعرق را با دو روش شبکه عصبی مصنوعی و پنمن مانتیس محاسبه نمود. نتایج نشان داد مقدار خطای بهدست آمده از شبکه عصبی و پنمن مانتیث به ترتیب برابر ۰/۷ و ۱/۲ میلیمتر بر روز بوده است.. همچنین قاسمی و همکاران (۱۳۸۶) برای منطقه همدان، مقدار تبخیر-تعرق گیاه مرجع را با استفاده از شبکه عصبی مصنوعی پیشبینی نموده و این مقادیر را با روشهای بلانی-کریدل و پنمن-مانتیث مقایسه نمودند. بررسی ایشان نشان از برتری شبکه عصبی مصنوعی نسبت روش بلانی-کریدل داشت. همچنین تحقیق ایشان نشان دادکه با صرف زمان کمتری در اثر کاهش لایههای پنهان تا یک حدی میتوان به برآوردهای مناسبتری دست یافت. رحیمیخوب (۱۳۸۵) در تحقیقی در منطقه خوزستان، مقادیر تبخیر-تعرق برآورد شده از روش هارگریوز و شبکه عصبی را با مقادیر روش استاندارد مقایسه نمود. نتایج نشان داد که عملکرد روش هارگریوز برای مناطق مختلف استان خوزستان متفاوت است و تبخیر-تعرق گیاه مرجع را در نقاط مختلف استان کمتر و بیشتر از روش پنمن-مانتیث برآورد میکند. ولی مدل تدوین شده شبکه عصبی مصنوعی با دقت بهتری، تبخیر-تعرق گیاه مرجع را برآورد میکند.
طی سالیان اخیر شبکههای عصبی مصنوعی (ANN) به عنوان یکی از روشهای هوشمند که با الهام از سلول عصبی زیستی طراحی شدهاند توانایی عالی خود را در مدلسازی پدیدههایی با ماهیت غیرخطی و پیچیده در مسائل مهندسی آب نشان دادهاند( Ahmad & .(Simonovic, 2005 پال و دسوال از مدل درختی M5 برای مدلسازی تبخیر-تعرق پتانسیل در ایستگاه داویس در کالیفرنیا استفاده کردند وپتانسیل این مدل را با روشهای پنمن-مانتیث فائو ۵۶ و هارگریوز-سامانی کالیبره شده مقایسه نمودند. نتایج نشان می دهند که رویکرد مدل درختی M5 در پیشبینی تبخیر-تعرق مرجع در مقایسه با FAO56 و هارگریوز سامانی کالیبره شده بهخوبی کار میکند، علاوه بر این، از این مطالعه نتیجهگیری نمودند که این رویکرد با مجموعه دادههای مستقل گرفته شده از مناطق مختلف بهخوبی کار میکند. آنها هم-چنین دریافتند که تابش خورشید، متوسط درجه حرارت ، متوسط رطوبت نسبی و متوسط سرعت باد از مهمترین پارامترهای مؤثر بر پیشبینی تبخیر-تعرق مرجع با استفاده از مدل درختی M5 میباشند .(Pall & Deswal,2009) سامتی و همکاران (۱۳۹۰) نتایج برآورد تبخیر-تعرق در ایستگاه هواشناسی شیراز را به کمک مدل درختی M5 و هارگریوز سامانی با نتایج روش پنمن-مانتیث مقایسه کردند و نتیجه گرفتند که مدل درختی M5 با ضریب تبیین ۰/۹۷۵ نسبت به روش هارگریوز سامانی با ضریب تبیین ۰/۸۳۷ تطابق بهتری با روش پنمن-مانتیث دارد. در مطالعاتی که به آنها اشاره شد بیشتر آنها تبخیر-تعرق را در مقیاس زمانی روزانه مورد مطالعه قرار دادند.
رحیمیخوب با استفاده از شبکههای عصبی مصنوعی تبخیر روزانه از تشت را برآورد نمود. او با استفاده از دادههای مرکز تحقیقات صفیآباد واقع در دشت خوزستان در جنوب ایران به این نتیجه رسید که هر دو روش تجربی و شبکه عصبی مصنوعی توافق خوبی با مقادیر اندازهگیری شده دارند اما روش شبکه عصبی مصنوعی در مقایسه با روش هارگریوز کالیبره شده تخمینهای بهتری ارائه میدهد .(Rahimi khob. 2008) دیامانتوپولو و همکاران عملکرد شبکههای عصبی مصنوعی را در تخمین تبخیر-تعرق پتانسیل با حداقل داده هواشناسی بررسی نمودند. آنها در بررسی خود از داده ایستگاه خودکار هواشناسی واقع در ایستگاه پیپریا در شمال یونان استفاده نمودند و نتیجه گرفتند با درنظرگرفتن متوسط، ماکزیمم و مینیمم دما، مدلهای انتخابی شبکه عصبی مصنوعی تخمینهای روزانه تبخیر-تعرق پتانسیل را در مقایسه با معادلهی هارگریوز اصلاح شده بهصورت قابل توجهی بهبود میدهند ( Diamantopoulou et .(al,2010
از آنجا که بسیاری از ایستگاههای هواشناسی فاقد پارامترهای مورد نیاز برای برآورد تبخیر-تعرق با روشهای گروه پنمن میباشند لذا هدف از انجام این تحقیق پیشنهاد و بررسی یک ضریب اصلاحی بر اساس نسبت پنمن به هارگریوز –سامانی میباشد که این مهم براساس پارامترهای هواشناسی به کمک مدل درخت تصمیم M5 انجام و نتایج آن با شبکه عصبی مصنوعی مقایسه میشود.

مواد و روشها
این پژوهش بر اساس دادههای ایستگاههای هواشناسی آستارا، بندرانزلی و رشت که به صورت روزانه طی دوره آماری ۱۳۹۰-۱۳۶۰ از سازمان هواشناسی کشور اخذ گردید انجام شده است. دادههای هواشناسی مورد نیاز برای ضریب اصلاحی k شامل دمای حداکثر، دمای حداقل و رطوبت نسبی میباشد ولی برای برآورد تبخیر-تعرق به روش پنمن-مانتیث علاوه بر این دادهها از تابش خالص خورشیدی، ساعات آفتابی، سرعت باد نیز استفاده شد. با توجه به هدف اصلی در این تحقیق که ارائه مناسبترین ضریب اصلاحی برای تصحیح معادله هارگریوز- سامانی بود، لذا برای ارزیابی معادله واصلاحیه آن از معادله (F-P-M) به عنوان روش استاندارد استفاده شد (رابطه .(۱

و در روش هارگریوز-سامانی که فقط به دوپارامتر دمای حداکثر و حداقل نیاز است (رابطه (۲ (۲)

که در آنها ET0 تبخیر- تعرق گیاه مرجع (mm/day)،Rn تابش خالص در سطح پوشش گیاهی (MJ/m_.day)، G شار گرما به داخل خاک (MJ/m_.day)، T متوسط دمای هوا در ارتفاع دو متری از سطح زمین (°C)،U2 سرعت باد در ارتفاع دو متری از سطح زمین (m/s)، ea فشار بخار واقعی (kPa)، esفشار بخار اشباع (kPa)، شیب منحنی فشار بخار اشباع برحسب دما (kPa/ °C) ، ضریب رطوبتی (ثابت سایکرومتری) میانگین تشعشع فرازمینی بر حسب میلیمتر در روز،Tمیانگین دمای روزانه هوا، Tmaxمیانگین حداکثر دمای روزانه هوا وTminمیانگین حداقل دمای روزانه هوا همگی بر حسب درجه سانتیگراد میباشد.
برای برآورد معادلات مناسب ضریب اصلاحی ابتدا این ضریب به روش نسبی (تقسیم مقادیر روش پنمن-مانتیث بر مقادیر روش هارگریوز- سامانی) محاسبه شد. دادهها نیز به دو گروه آموزش یا واسنجی ۸۰) درصد دادهها) و آزمون یا صحتسنجی ۲۰) درصد داده-ها) تقسیم شدند. سپس با در نظر گرفتن مقادیر ضریب k به عنوان متغیر وابسته و پارامترهای دمای حداکثر، دمای حداقل، دمای متوسط، تفاضل دمای حداکثر و حداقل و رطوبت نسبی به عنوان متغیرهای مستقل معادلات ضریب اصلاحی محاسبه شد (رابطه .(۳

همچنین از پارامترهای ترکیبی که از پارامترهای فوق محاسبه شده، در برآورد معادلات ضریب اصلاحی استفاده شده است. روش-های برآورد معادلات ضریب اصلاحی به شرح زیر است.

مدل درخت تصمیم M5
درختهای تصمیم روشی برای نمایش یک سری از قوانین هستند که منتهی به یک رده یا مقدار میشوند. درختهای تصمیم به کمک جداسازی متوالی دادهها به یک سری گروه مجزا تشکیل شده و سعی میشود در فرآیند جداسازی، فاصله بین گروهها افزایش یابد. ساختار یک مدل درختی شامل ریشه، گرههای داخلی و برگ میباشد. از مدلهای درخت تصمیم در حل بسیاری از مسائل طبقهبندی و رگرسیون استفاده شده است. برای اولین بار کوینلان ( Quinlan (1992 مدل درخت تصمیم موسوم به M5 را برای پیشبینی دادههای پیوسته ارائه نمود. این مدل، بر خلاف مدلهای درخت تصمیم معمول که کلاس یا ردههای گسسته را به عنوان خروجی ارائه مینمایند، یک مدل خطی چندمتغیره را برای دادهها در هر گره از مدل درختی میسازد. تشکیل ساختار مدلهای درخت تصمیمگیری شامل مراحل ایجاد درخت و هرس کردن آن است Quinlan, 1992)، Witten & .(Frank,2005 در مرحله ساختن درخت، از یک الگوریتم استنتاجی یا معیار تقسیم (انشعاب) برای تولید یک درخت تصمیم استفاده میشود. معیار تقسیم برای الگوریتم مدل M5، ارزیابی انحراف معیار مقادیر کلاسی است که به عنوان کمیتی از خطا به یک گره میرسد و کاهش مورد انتظار در این خطا را به عنوان نتیجهی آزمون هر صفت در آن گره محاسبه مینماید. کاهش انحراف معیار(SDR) 1 از رابطه ۴ بدست میآید:

که T بیانگر یک سری نمونههایی است که به گره میرسد، Ti بیانگر نمونههایی است که i امین خروجی سری پتانسیلی را دارند و sd بیانگر انحراف معیار است. بهدلیل فرآیند انشعاب، دادههای قرار گرفته در گرههای فرزند، انحراف معیار کمتری نسبت به گره مادر داشته و بنابراین خالصتر هستند. پس از حداکثرسازی تمامی انشعابهای ممکن، M5 صفتی را انتخاب میکند که کاهش مورد انتظار را بیشینه نماید. این تقسیم اغلب ساختار شبهدرختی بزرگی را تشکیل میدهد که باعث بیشبرازش میگردد. برای غلبه بر مسئلهی بیشبرازش، درخت تشکیل شده بایستی هرس شود. این کار با جایگزینی یک درخت فرعی با یک برگ انجام میشود. بنابراین، مرحله دوم در طراحی مدل درختی شامل هرس نمودن درخت رشد یافته و جایگزینی درختان فرعی با توابع رگرسیونی خطی است. این تکنیک تولید مدل درختی، فضای پارامترهای ورودی را به نواحی یا زیر فضاهای کوچکتر تقسیم نموده و در هر کدام از آنها، یک مدل رگرسیونی خطی برازش میدهد. بعد از اینکه مدل خطی بهدست آمد برای کمینه کردن خطای تخمین با حذف کردن پارامترها، سادهسازی مدل انجام میشود. در مدل M5 از یک جستجوی حریصانه برای حذف متغیرهایی که مشارکت کمی در مدل دارند، استفاده میشود البته گاهی اوقات همه متغیرها حذف شده و فقط یک مقدار ثابت باقی میماند.

شبکه عصبی مصنوعی
شبکهی عصبی مصنوعی، یکی از روشهای محاسباتی است که به کمک فرآیند یادگیری و با استفاده از پردازشگرهایی بهنام نرون تلاش میکند با شناخت روابط ذاتی بین دادهها، نگاشتی میان فضای ورودی (لایه ورودی) و فضای مطلوب (لایه خروجی) ارائه دهد. لایه یا لایههای مخفی، اطلاعات دریافت شده از لایه ورودی را پردازش کرده و در اختیار لایه خروجی قرار میدهند. هر شبکه با دریافت مثالهایی آموزش میبیند. آموزش فرایندی است که در نهایت منجر به یادگیری میشود. یادگیری شبکه، زمانی انجام میشود که وزنهای ارتباطی بین لایهها چنان تغییر کند که اختلاف بین مقادیر پیشبینی شده و محاسبه شده در حد قابل قبولی باشد. با دستیابی به این شرایط فرایند یادگیری محقق شده است. شبکه عصبی آموزش دیده میتواند برای پیشبینی خروجیهای متناسب با مجموعه جدید دادهها بهکار رود .(Dayhoff,1990)

معیارهای ارزیابی مدل
در این تحقیق از پارامترهای آماری ضریب همبستگی (R) برای تعیین همبستگی بین مقادیر پیشبینی شده و اندازهگیری شده، ریشه دوم میانگین مربعات خطا (RMSE) و متوسط خطای مطلق (MAE) برای نشان دادن بزرگی خطا و میانگین خطای اریب (MBE) برای نشان دادن بیش برآورد (مقادیر مثبت) و کم برآورد مدل (مقادیر منفی) به عنوان معیارهای ارزیابی مورد استفاده قرار گرفتند (روابط ۵ تا .(۸

این فقط قسمتی از متن مقاله است . جهت دریافت کل متن مقاله ، لطفا آن را خریداری نمایید
word قابل ویرایش - قیمت 12700 تومان در 14 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