بخشی از مقاله
چکیده
اندازهگیری دقیق بارش، کاربردهای بسیاری در تحقیقات اقلیمی، کشاورزی، خشکسالی، بلایای طبیعی و آب شناسی دارد. از آن جایی که ایستگاههای اندازهگیری بارش پراکنده بوده و دسترسی به اندازهگیریهای بارش معمولاً با تاخیر زمانی همراه است، از اینرو وجود روشهای دیگری برای برآورد بارش ضروری است. پیشبینی بارش برای کشورهای در حال توسعه که اقتصاد آنها مبتنی بر کشاورزی است، خیلی مهم میباشد. به طور مشخص، اقلیم و بارش پدیدههای غیرخطی بزرگی در طبیعت هستند. این تحقیق به برآورد بارندگی ماهانه طی دوره 10 ساله در استان گیلان و با استفاده از روش شبکههای عصبی مصنوعی پرداخته است. همچنین از داده-های هواشناسی شهرهای انزلی، رشت و تالش به عنوان ایستگاههای مورد بررسی استفاده شده است. در این تحقیق از شبکه عصبی پیشرو با تعداد لایه ورودی مختلف - بسته به سناریوی تعریف شده - و یک خروجی - بارندگی ماهانه - استفاده شده است. برای بررسی ارتباط خطا با ورودیها، وزنها و خروجیها، روشهای متفاوتی از جمله روش گرادیان شیب، روش نیوتن، روش اندازه حرکت، روش آنتروپی متقابل و روش لونبرگ- مارکواد وجود دارد که در این تحقیق تابع مورد استفاده جهت اموزش از نوع الگوریتم لونبرگ- مارکواد بوده است . نتایج گویای عملکرد قابل قبول شبکههای عصبی مصنوعی در تخمین بارش بوده است. مقادیر MAD، NS و RMSE به ترتیب 12/87، 0/70 و 57/57 برای ایستگاه لاهیجان در مرحله آزمون گویای این مطلب میباشد.
واژههای کلیدی: الگوریتم لونبرگ- مارکواد، دادههای هواشناسی، MLP،
-1 مقدمه
بارش یکی از مهمترین عوامل ورودی به سیستمهای هیدرولوژیکی محسوب میشود که اندازهگیری و مطالعه آن در اکثر موارد برای مطالعات رسوب، سیلاب، آبهای زیرزمینی، رواناب و... لازم میباشد. بارش یا بارندگی شامل کلیه نزولات جوی، مانند بارش، برف و تگرگ میباشد که بر حسب اقالیم مختلف، باران یا برف قسمت عمده آن را تشکیل میدهد - رضایی، . - 1395 اندازهگیری دقیق بارش، کاربردهای بسیاری در تحقیقات اقلیمی، کشاورزی، خشکسالی، بلایای طبیعی و آبشناسی دارد. از آن جایی که ایستگاههای اندازهگیری بارش پراکنده بوده و دسترسی به اندازهگیریهایبارش معمولاً با تاخیر زمانی همراه است، از اینرو وجود روشهای دیگری برای برآورد بارش ضروریاست - عبداللّهی و همکاران، . - 1396
پیشبینی بارش برای کشورهای در حال توسعه که اقتصاد آنها مبتنی بر کشاورزی است، خیلی مهم میباشد. به طور مشخص، اقلیم و بارش پدیدههای غیرخطی بزرگی در طبیعت هستند - مازندرانی و همکاران، :1395 کریمی گوغری و قادر، . - 1387 امروزه محققین، با ابداع و پیشرفت علومی چون روشهای هوشمندکه ابزاری توانمند، انعطافپذیر و مستقل از مدلهای دینامیکی سیستم میباشند، در جستجوی راههایی برای پیشرفت و پیشبینی پارامترهای مهم هواشناسی میباشند - خلیلی، . - 1389 لذا استفاده از روشهای کم هزینه و با اطمینان بالا همچون شبکههای عصبی مصنوعی سیستمهای استنتاج عصبی-فازی و روش نوینی همچون گرسیون بردار پشتیبان روشی مناسب برای برآورد چنین پارامترهایی میباشد - زارع ابیانه و بیات ورکشی، . - 1390 در این تحقیق به برآورد بارندگی ماهانه طی دوره 10 ساله در استان گیلان و با استفاده از روش شبکه های عصبی مصنوعی و در پنج ایستگاه در نقاط مختلف در این استان پرداخته شده است.
-2سابقه تحقیق
محقیق مختلفی در ایران و جهان به برآورد بارندگی پرداختهاند که در ادامه به تعدادی از آنها اشاره میشود: خلیلی و همکاران در سال 1389، با استفاده از شبکههای عصبی مصنوعی پروسپترون پیشخور سه لایه، به پیش-بینی بارش روزانه در ایستگاههای سینوپتیک مشهد طی 23 سال آماری - 1361-1383 - پرداختند. نتایج آنها گویای برآوردهای قابل قبول در ایستگاه مذکور بوده است.
رجبی در سال 1390، به پیشبینی بارش در دوره 2010-2039 با استفاده از مدل گردش عمومی 1HADCM3، در کرمانشاه پرداخت. نتایج او نشان داد که میزان بارش در سناریوی A2، 54 درصد و در سناریوی B2، 51/5 افزایش خواهد یافت. فقیه و پوریوسف در سال 1395، به تخمین دراز مدت بارش – رواناب با پارامترهای کیفی ایستگاه هیدرومتری حله رودخانه فاریاب در استان بوشهر با استفاده از تلفیق شبکه عصبی مصنوعی و تئوری موجک و مدل انفیس و بردارپشتیبان پرداختند. آنها در پایان بیان نمودند که مدل عصبی-موجی به شرط تنظیم ساختاریاش بهتر از روش عصبی-فازی عمل کرده است.
قربانی و دهقانی در سال 1395، فرآیند بارش-رواناب با استفاده از شبکه عصبی بیزین، ماشینهای بردار پشتیبان و برنامهریزی بیان ژن را در لرستان، مورد بررسی قرار دادند. آنها بیان نمودند که شبکههای عصبی بیزین عملکرد بهتری نسبت به سایر مدلها در شبیهسازی فرآیند بارش-رواناب دارند. مرادی و لشنی در سال 1395، به پیشبینی بارش در ایستگاه سینوپتیک سنندج در مقیاس ماهانه و دوره آماری 1350-1393 پرداختند. آنها بیان نمودند که استفاده از شبکه عصبی پروسپترون چند لایه و با دو لایه مخفی و ضریب آموزش 0/6 عملکرد بهتری در مقایسه با دیگر روشهای شبکه عصبی دارد و نتایج قابل قبولی در پی داشته است.
مازندرانیزاده و همکاران در سال 1395، به انتخاب بهترین پارامترهای شبکه عصبی بهمنظور تخمین دادههای بارش ماهانه در 36 ایستگاه هواشناسی و در طی 6 سال آماری در استان قزوین پرداختند. در پایان آنها عملکرد شبکههای عصبی چند لایه را مناسب گزارش نمودند. رضایی و همکاران در سال 1395، به پیشبینی بلند مدت بارش با استفاده از مدل ریزمقیاس نمایی آماری2 در ایستگاههای چترود و سعادت آباد سیرجان، با استفاده خروجیهای مدل HADCM3 پرداختند. آنها بیان نمودند که یافتهها بیانگر عملکرد بالای مدل در هر دو ایستگاه هست. نوروزی انگنایی و همکاران در سال 1395، به تخمین نقاط مهم رطوبتی شامل ظرفیت زراعی و نقطه پژمردگی دائم با استفاده از مدل رگرسیون بردار پشتیبان در شهرستان شاهرود پرداختند. آنها با استفاده از شاخصه هایکمی ریشه میانگین مربعات خطا نرمال شده یا NRMSE، ضریب تعیین یا R 2 و میانگین جذر مجموع مجذور انحرافات خطا یا MSD، نتایج را مورد ارزیابی قرار دادند و بیان نمودند مدل های حاصله دارای سطح خوب، همبستگی بالا و خطای کمی میباشند.
عبداللهی و همکاران در سال 1396، به ارزیابی دادههای ماهوارهای 1TRMM 3B42RT V7 و 2CMORPH بهمنظور پیشبینی بارش در حوضه گرگانرود پرداختند. نتایج نشان داد دادههای ماهوارهای در مقیاس ماهیانه و فصلی از دقت بالاتری نسبت به مقیاس روزانه برخوردارند. Noori و همکاران در سال 2008، برای کاهش متغیرهای ورودی به مدل SVM در پیشبینی میزان زبالههای تولیدی در شهر مشهد از تحلیل مولفههای اصلی - PCA - 3 استفاده نمودند و با مقایسهی مدل ترکیبی PCA – SVM با مدل SVM برتری مدل PCA – SVM را نتیجه گرفتند. Lin و همکاران در سال 2010، بیان نمودند که نتایج گویای این واقعیت است روش SVM خیلی سریعتر از شبکه عصبی مصنوعی آموزش میبیند. همچنین SVM پیش بینی دقیقتری را نسبت به شبکه عصبی مصنوعی نشان داده است.
Chen و همکاران در سال 2010، از ماشینهای بردار پشتیبان برای مدل کردن بارش روزانه استفاده کردند و نتایج را با نتایج حاصل از روش آنالیز چند متغیره مقایسه نمودند و نشان دادند نتایج پیشبینیهای حاصله از SVM دقیقتر است. Shafie و همکاران در سال 2011، برای برآورد مقادیر بارش در اسکندریه مصر با روش ANN و مقایسه با روش رگرسیون خطی چند متغییره پرداخت نمودند. آنها نشان دادند شبکههای عصبی مصنوعی نتایج بهتری را در مقایسه با روش سنتی رگرسیون خطی چند متغیره در پی داشته است. Kakaei lafdani و همکاران در سال 2013، با استفاده از روش رگرسیون بردار پشتیبان و شبکه عصبی به-منظور تخمین بار رسوبی رودخانه دوراج پرداختند. آنها کارایی بالای هر دو روش را گزارش نمودند.
Kaihua و همکاران در سال 2014، با استفاده از ماشینهای بردار پشتیبان، به پیشبینی ظرفیت کاتیونی در افقهای مختلف خاک در شهر چینگدائو چین پرداختند. آنها بررسیهای خود را در 208 نقطه و در دو افق خاک انجام دادند و در پایان بیان نمودند که مدل SVM پیشبینیها را بهبود میبخشد. Mahtabi و Sattari در سال 2016، به بررسی روشهای موجود درمورد بازسازی دادهها و پیشبینی بارندگی ماهانه پرداختند و بیان نمودند روشهای هوشمند نتایج بهتری در مقایسه با روشهای سنتی همچون رگرسیون در پی خواهند داشت. براساس نتایج حاصل از تحقیقات پیشین میتوان دریافت که تخمین بارندگی برای استان گیلان یک امر ضروری میباشد و نقش اساسی در مدیریت بهینه منابع آب و خاک و مدیریت ریسک به جای مدیریت بحران و توسعه پایدار کشور است. همچنین، جهت استفاده در برنامهریزیهای کلان کشور، ضروری بهنظر میرسد.
-3 مواد و روش
-1-3منطقه مورد مطالعه
استان گیلان با مساحتی حدود 14711 کیلومتر مربع، دهمین استان پرجمعیت ایران است. شهرهای پرجمعیت این استان عبارتند از بندر انزلی - مهمترین بندر ایرانی در حاشیه دریای خزر - ، لاهیجان، تالش، لنگرود، رودسر، بندرآستارا، صومعهسرا اشاره کرد. این استان شامل مناطق سرسبز شمال
