بخشی از مقاله
چکیده
شبکه های عصبی مصنوعی از جمله روش های نوین می باشد که برای تخمین و پیش بینی پارامترها با استفاده از ارتباط ذاتی بین داده ها توسعه یافته است. در این مقاله با استفاده از الگوریتم شبکه عصبی پرسپترون چند لایه - - MLP و شبکه عصبی تابع پایه شعاعی - - RBFN و نیز مدل همبستگی چندگانه و با فرض خطی بودن تبخیر از تشتک برای مدل سازی سیستم غیر خطی تبخیر از تشتک و با بهره گیری از آمار ایستگاه تبخیر سنجی منطقه مورد مطالعه میزان تبخیر از تشتک پیش بینی شده است. پارامترهای ورودی به مدل ها عبارتند از مقادیر روزانه دمای متوسط, سرعت باد, متوسط رطوبت نسبی, مدت تابش, ارتفاع باران, در بازه سال های آماری 1382 تا .1384 تعداد بهینه گره های لایه میانی با استفاده از روش سعی و خطا مشخص گردیده و عملکرد مدل های توسعه یافته بر اساس پارامترهای مختلف خطا مورد سنجش قرار گرفتند که نتایج بیانگر توانایی مناسب دو الگوریتم در پیش بینی میزان تبخیر از تشتک می باشد. حال آنکه الگوریتم شبکه عصبی تابع پایه شعاعی با دقت بالاتری میزان تبخیر را تخمین می زند.
واژهای کلیدی
تبخیر از تشتک, شبکه عصبی, پرسپترون چند لایه, تابع پایه شعاعی, مدل همبستگی چندگانه
مقدمه
تبخیر یکی از پارامترهای مهم در هیدرولوژی و مهندسی منابع آب است که مورد توجه محققان قرار دارد. به دلیل تأثیر متقابل پارامترهای مختلف هواشناسی در محاسبه تبخیر, روابطی غیر خطی برای تخمین مقدار آن وجود دارد که از دقت بالایی برخوردار .[1] با تخمین دقیق میزان تبخیر از سطوح آزاد آبی می توان با تحلیل حساسیت تبخیر نسبت به هریک از پارامترهای مؤثر بر میزان آن به راه های کاهش میزان تبخیر اندیشید واز مقدار آب صرفه جویی شده ,که قابل توجه نیز می باشد, استفاده مفید نمود .[2] تبخیر فرآیندی است که در نتیجه آن آب از خاک و توده های آب موجود در کره زمین به اتمسفر باز می گردد. اهمیت تبخیر از آنجا آشکار می شود که سالانه میلیون ها متر مکعب آب های شور و شیرین موجود دردریاها و دریاچه های طبیعی و دریاچه های مصنوعی سدها و ... تبخیر یافته و به هدر می روند. انجام فرآیند تبخیر در دریاچه ها و مخازن سبب تغییر در فرآیند گردش هیدرولوژیکی آب در طبیعت آن منطقه می شود. این موضوع باعث تغییر شدید در اکوسیستم های دریاچه و افزایش شدید در غلظت آب نمک دریاچه می گردد. تبخیر, مؤلفه لازم در هر ارزیابی بیلان آبی برای برنامه های مختلف منابع آب, طراحی, بهره برداری و مباحث مدیریتی شاملهیدرولوژ ی , کشاورزی, شش متغیر دمای ماکزیمم و مینیمم هوا, ساعات آفتابی, سرعت باد و جنگلداری, آبیاری, پیش بینی جریان رودخانه و مطالعه و مدل سازی رطوبت نسبی ساعات 7:21 و 14:21 در چهار سال 2004 تا 2007 اکوسیتم دریاچه است. این پدیده در میان مؤلفه های چرخه میلادی بررسی کردند در مقایسه با سایر روش ها, مدل شبکه عصبی هیدرولوژیکی, شاید دشوارترین آن ها به دلیل فعل و انفعالات پیچیده مصنوعی شامل کلیه متغیرهای هواشناسی، بهترین عملکرد را درمیان مؤلفه های سیستم خاک، گیاه و اتمسفر می باشد .[5]
تلفات تخمین میزان تبخیر روزانه از تشتک تبخیر داشته است.[9] پیری و تبخیر باید در طراحی سیستم های مختلف آبیاری و منابع آبی مورد همکارانش - 2009 - مدل شبکه عصبی مصنوعی را برای تخمین میزان توجه قرار گیرد. در مناطق با بارندگی کم, این تلفات سهم قابل توجه ی تبخیر در مناطق با اقلیم گرم و خشک در ایستگاه چاه نیمه زابل در از بیلان آب را برای دریاچه ها و مخازن داشته و می تواند باعث افت ایران با استفاده از داده های روزانه دمای هوا, سرعت باد, کمبود فشار ارتفاع سطح آب شود .[7] سال های زیادی است که محققان و بخار اشباع و رطوبت نسبی در بازه آماری 1995 تا 2006 میلادی به مهندسین, برای محاسبه تبخیر از سطح دریاچه ها و مخازن آبی و کار بردند. آنها نشان دادند که عملکرد شبکه عصبی در مقایسه با مدل همچنین اندازه گیری تبخیر-تعرق گیاهان, از تشت های تبخیر استفاده های تجربی فوق العاده بوده و مهمترین پارامترهای هواشناسی مؤثر بر می کنند. برای این منظور میزان تبخیر از تشت, اندازه گیری شده و میزان تبخیر عبارتند از سرعت باد, کمبود فشار بخار اشباع, و رطوبت آنگاه با استفاده از ضرایب مخصوصی میزان تبخیر از سطح آب و یا نسبی.[7]
رحیمی خوب - 2009 - عملکرد مدل شبکه عصبی مصنوعی را تبخیر-تعرق پتانسیل به دست می آید.[1] توسعه یک رویکرد جایگزین در پیش بینی میزان تبخیر از تشتک با استفاده از داده های دمای هوا برای تخمین میزان تبخیر بر مبنای متغیرهای هواشناسی با قابلیت در بازه سال های 1996 تا 2003 میلادی در منطقه نیمه خشک سفی اندازه گیری و تخمین راحت تر ضروری به نظر می رسد. یکی از آباد دشت خوزستان در جنوب غرب ایران مورد ارزیابی قرار داد و نتایج رویکردهای اخیر, استفاده از الگوریتم شبکه های عصبی مصنوعی است حاکی از عملکرد قابل قبول مدل شبکه عصبی استSungwon .[11] و که انطاف پذیری و توانایی بهتری نسبت به مدل های تجربی گذشته - 2006 - Hongkee از شبکه عصبی مصنوعی برای تخمین میزان تبخیردارند .[8]از تشتک در مناطق روستایی کره جنوبی با استفاده از داده های روزانه سادر و همکاران - 2002 - مدل شبکه عصبی مصنوعی را برای پیش بینی دمای ماکزیمم و مینیمم, دمای نقطه شبنم میانگین,رطوبت نسبی میزان تبخیر از تشتک در منطقه ای در هند با استفاده از متغیرهای میانگین و مینیمم, سرعت باد ماکزیمم و میانگین, ساعت آفتابی و مختلف هواشناسی نظیر رطوبت نسبی, دمای هوا, سزعت باد و ساعات تبخیر از تشتک در بازه های آماری 3 ساله در مناطق مختلف بهره آفتابی در بازه آماری 4 ساله 1990 تا 1993 میلادی به کار گرفتند و بردند. نتایج نشان از توانایی بالای شبکه های عصبی در پیش بینی نشان دادند که مدل شبکه عصبی بسیار تواناتر از مدل تجربی است و نیز میزان تبخیر از تشتک دارد.[10] دهقانی و همکاران - 1389 - تبخیر در نظر گرفتن کلیه پارامترها در مدل, باعث عملکرد بهتری خواهد بالقوه را از روش های رگرسیون فازی, شبکه عصبی مصنوعی و روش شد.[9]
پیری و همکاران - - 2009 جهت تخمین تبخیر از روش های پنمن مانتیث تعیین نمودند. نتایچ نشان داد که بهترین ترکیب ورودی ANFISو ANN استفاده کردند. آن ها از آزمون گاما پارامترهای برای شبیه سازی تبخیر, دما, میانگین رطوبت نسبی, ساعات آفتابی و سرعت باد, کمبود فشار بخار اشباع و رطوبت نسبی را به عنوان ورودی سرعت باد می باشند.[1] ANFISو ANN انتخاب نمودند.نتایج این محققان نشان دهنده برتری ANN نسبت به ANFIS در تخمین تبخیر بود.[7] بیات ورکشی مواد و روش ها و همکاران - 1388 - برای تخمین تبخیر از تشت, مدل ANFIS را توصیف داده ها و مشخصات منطقه و ایستگاه هواشناسی نسبت به مدل فازی مناسب تر دانستند.[3] انگبینی و هنر بخش مورد استفاده - 1389 - با استفاده از شبکه های عصبی مصنوعی, تبخیر روزانه از در این پژوهش از اطلاعات روزانه ثبت شده ایستگاه تبخیر سنجی تشتک را تخمین زدند. نتایج نشان داد میزان تبخیر از تشتک که ازمنطقه مورد مطالعه در بازه زمانی ,1384-1382 استفاده شد.
روش شبکه های عصبی مصنوعی محاسبه شده دارای کم ترین خطا نسبت به روش های تجربی می باشدSungwon .[4] و Hongkee پارامترهای روزانه هواشناسی ورودی به مدل ها عبارتند از مقادیر - 2006 - کاربرد شبکه عصبی مصنوعی , رگرسیون آماری و چند مدل روزانه دمای متوسط, سرعت باد, متوسط رطوبت نسبی, مدت اقلیمی را در پیش بینی میزان تبخیر روزانه از تشتک در منطقه ای با تابش, ارتفاع باران. آب وهوای نیمه خشک در دهلی نو هند با استفاده از داده های روزانه معرفی مدل های شبکه عصبی و همبستگی چندگانه با توجه به این که هدف از این پژوهش مدل سازی روزانه تبخیر از تشت با استفاده از شبکه های عصبی مصنوعی شامل دو الگوریتم پرسپترون چند لایه, تابع پایه شعاعی و روش همبستگی چندگانه بوده است. بنابراین در زیر خلاصه ای از شبکه عصبی مصنوعی و ساختار هر کدام از روش ها بیان می شود. بستگی دارد. از مهم ترین قسمت های تعیین ساختار بهینه شبکه پرسپترون چند لایه, تعیین تعداد لایه های پنهان و تعداد نرون های هر لایه پنهان برای دست یابی به کمترین خطا می باشد.
شکل - - 1 نمای ساده ای از ساختار یک شبکه عصبی پرسپترون چند لایه را نشان می دهد که در آن لایه های ورودی, پنهان و خروجی نشان داده شده است. شبیه سازی تبخیر از تشتک با استفاده از معادله همبستگی چندگانه در این بخش، تبخیر بر اساس روش همبستگی چندگانه و با فرض اینکه تبخیر از تشتک به طور مستقل با ترکیب خطی پارامترهای اصلی مرتبط است ، شبیه سازی می شود. در اینجا بدلیل متفاوت بودن مقیاس ها از رگرسیون استاندارد شده استفاده گردید . بدین ترتیب معادله تبخیر از تشتک به صورت رابطه - 1 - آمد:
شبکه عصبی مصنوعی با ساختار پرسپترون چند لایه
شبکه عصبی پرسپترون چند لایه, رایج ترین شبکه عصبی می باشد. این شبکه جز شبکه های عصبی پیشخور می باشند که قادرند با انتخاب مناسب تعداد لایه ها و نرون ها, یک نگاشت غیر خطی را با دقت دلخواه انجام دهند. پارامترهای قابل تنظیم در شبکه های MLP وزن اتصالات مابین لایه ها است و فرآیند آموزش در این شبکه ها, به معنی یافتن مقادیر مناسب برای وزن های اتصالات مابین نرون هاست. متداول ترین الگوریتم یادگیری این شبکه ها, الگوریتم پس انتشار خطا است. در این نوع شبکه, چندین لایه پنهان نیز وجود داشته و هر لایه دارای یک یا چندین نرون می باشد. نرون های یک لایه به نرون های لایه بعدی اتصال می یابند و خروجی یک نرون در یک لایه, فقط به نرون های لایه قبل که به آن نرون متصل هستند و وزن اتصالات بین آن ها
شکل -1 ساختار شبکه عصبی مصنوعی پرسپترون چند لایه
بین نرون های لایه های مختلف اتصالاتی وجود دارد که هر کدام دارای وزن هایی می باشد. طی فرآیند آموزش این وزن ها و مقادیر ثابتی که با آن ها جمع می شود و در اصطلاح بایاس نامیده می شود, به طور پی در پی تغییر می کند تا خطای بین مقادیر تخمین زده شده و مقادیر واقعی به حداقل مقدار خود برسد. برای انتقال خروجی هر لایه به لایه های بعدی از توابع متحرک استفاده می شود. توابع محرک انواع مختلفی دارند که از معروف ترین آن ها تابع خطی, تابع سیگموئید, تانژانت هیپربولینگ و ... را می توان نام برد .[1]
شبکه عصبی تابع پایه شعاعی
شبکه های تابع پایه شعاعی از نوع شبکه های پیشرو همراه با یک لایه میانی هستند که برای اولین بار در سال 1988 توسط برومهد و لاو معرفی شدند - شکل . - 2 در این روش اغلب, تابع متحرک در لایه میانی, تابع گوسین و درلایه خروجی تابع خطی است. اغلب آموزش شبکه RBF به دو بخش تقسیم می شود. بخش اول اغلب یادگیری از نوع بدون راهنما است که با استفاده از روش های خوشه بندی, پارامترهای توابع پایه - مراکز و عرض ها - با استفاده از روش های خوشه بندی پارمترهای توابع پایه - مراکز و عرض ها - با استفاده از اطلاعات ورودی تعیین می شود و در بخش دوم که از نوع یادگیری با راهنما است وزن های بین لایه میانی و لایه خروجی با استفاده از روش های کاهش شیب و رگرسیون خطی تعیین می شود. در این الگوریتم، فضا توسط دایره یا ابر کره هایی
