بخشی از مقاله
*** اين فايل شامل تعدادي فرمول مي باشد و در سايت قابل نمايش نيست ***
تدوين مدل شبکه عصبي مصنوعي تبخير از تشت با حداقل داده هواشناسي
چکيده :
مدل هايي که تاکنون براي پيش بيني تبخير از تشت ارائه شده به داده هاي زيادي نياز دارند و بعضي از داده ها در ايستگاه - هاي هواشناسي ايران اندازه گيري نميشوند. در اين بررسي با استفاده از مدل شبکه عصبي مصنوعي، ترکيب هاي مختلف ٤ داده هواشناسي در دسترس (دماي هوا، رطوبت هوا، سرعت باد و ساعات آفتاب روزانه ) و تابش برآورد شده ار رابطه انگستروم بعنوان داده هاي ورودي براي پيش بيني تبخير از تشت مورد بررسي قرار گرفت . داده هاي اين تحقيق از ١٠ ايستگاه هواشناسي استان خوزستان از سال هاي ١٩٩٠ تا ٢٠٠٠ جمع آوري شد. نتايج نشان داد، بکمک مدل هاي شبکه عصبي ميتوان تبخير روزانه از تشت را با استفاده از داده هاي در دسترس هواشناسي با دقت مطلوبي برآورد نمود.
واژه هاي کليدي : تبخير از تشت ، مدل شبکه عصبي، تابش خورشيد، دماي هوا، سرعت باد
١- مقدمه :
تلفات آب بوسيله تبخير يکي از پارامترهاي مهم در پايش و برنامه ريزي منابع آب است . تعيين شدت تبخير آب از مزارع کشاورزي براي طراحي و مديريت عمليات آبياري ضروري مي باشد. با توجه به اهميت اين پارامتر، تشت هاي تبخير براي اندازه گيري مستقيم تبخير از سطح آب بعنوان يکي از ابزارهاي اندازه گيري پارامترهاي جوي در ايستگاه هاي هواشناسي نصب مي شوند. تشت تبخير نوع A به قطر ١٣٢ سانتي متر و ارتفاع ٢٥ سانتي متر که ١٥ سانتي متر بالاي زمين نصب مي شود، بعلت سهولت تفسير داده هاي آن در سراسر دنيا بعنوان شاخصي براي تعيين تبخير از درياچه ها و مخازن استفاده مي شود [١ و ٢]. راه اندازي و بهره برداري از ايستگاه هاي تبخير سنجي در مناطق فاقد مخازن آب گران تمام ميشود و همچنين بسياري از ايستگاه ها فاقد آمارهاي مداوم و طولاني مدت مي باشند. از اين رو روش هاي تحليلي و تجربي زيادي براي پيش بيني تبخير از سطح آزاد آب و تبخير از تشت با استفاده از داده هاي هواناسي ارائه شده است . روش هاي تحليلي به داده هاي هواشناسي زيادي نياز دارند و بعضي از اين داده ها مثل تابش خورشيد در همه جا و هميشه اندازه گيري نمي شود [٣]. روش هاي تجربي به داده هاي کمتري نياز دارند ولي دقت آنها در مناطق مختلف متفاوت است و براي هر منطقه بايد واسنجي گردند [٣، ٤ و ٥].
در چند سال اخير، مدل هاي شبکه عصبي براي پيش بيني تبخير از تشت بر اساس داده هاي هواشناسي مورد بررسي قرار گرفته است . بروتون و همکاران [٦] ، يک مدل شبکه عصبي براي تعيين تبخير روزانه از تشت با استفاده از داده هاي روزانه اندازه گيري شده در ايستگاه هاي هواشناسي تدوين نمودند. داده هاي ورودي مدل آنها شامل بارندگي، دما، رطوبت نسبي، تابش خورشيد و سرعت باد بودند. ضريب تعيين و ريشه ميانگين مربع خطاي مدل تدوين شده آنها بترتيب ٠.٧١ و ١.١ ميليمتر در روز برآورد شده بود. ترزي و ارول کسکين [٧] داده هاي ايستگاه هواشناسي نزديک درياچه اي در غرب ترکيه را براي تعيين تبخير روزانه از تشت با استفاده از مدل شبکه عصبي مورد بررسي قرار دادند. نتايج تحقيق آنها نشان داد که بهترين ساختار مدل با ٤ داده ورودي شامل دماي هوا، دماي سطح آب ، تابش خورشيد و فشار هوا بدست ميآيد و داده هاي سرعت باد و رطوبت نسبي هوا داراي همبستگي معنيداري با شدت تبخير در ناحيه مورد بررسي آنها نيست . ضريب تعيين و ميانگين مربع خطاي مدل تدوين شده آنها بترتيب ٠.٧٧ و ١.٦١ مليمتر در روز برآورد شده بود. همجنين ارول کسکين و ترزي [٨] نتايج مدل شبکه تدوين شده فوق را با نتايج روش پنمن مقايسه کردند و نتيجه گرفتند، نتايج حاصل از مدل شبکه عصبي همبستگي بيشتري با مقادير اندازه گيري شده تبخير از تشت نسبت به روش پنمن دارد. هدف اين تحقيق ، بررسي حداقل داده هاي هواشناسي لازم براي پيش بيني تبخير از تشت بکمک مدل هاي شبکه عصبي مصنوعي است . در اين تحقيق داده هاي هواشناسي متداول مثل دماي هوا، رطوبت هوا و سرعت باد که در اغلب هواشناسي اندازه گيري ميشود، مورد بررسي قرار گرفته است
٢- مواد و روش ها
محدوده مطالعه و منابع داده ها
محدوده مورد مطالعه اين تحقيق ، استان خوزستان انتخاب شد و داده هاي هواشناسي مورد نياز اين تحقيق از ١٠ ايستگاه وابسته به سازمان هواشناسي اين استان جمع آوري شد. اين داده ها مربوط به سالهاي ١٩٩٠ تا ٢٠٠٠ ميلادي است و شامل متغيرهاي روزانه تبخير از تشت (Epan)، دماي هوا (Ta)، رطوبت نسبي (RH)، ساعات واقعي آفتاب (n) و سرعت باد (U) است . تبخير از تشت بعنوان خروجي مدل و بقيه متغيرها بعنوان داده هاي ورودي مدل استفاده شدند. روزهايي که داده هاي ناقص داشتند، از تجزيه و تحليل در اين تحقيق حذف شدند.
در جدول (١) فهرست نام ايستگاه ها و مشخصات کلي آنها ارائه شده است .
مدل شبکه عصبي
براي تعيين تبخير از تشت ، مدل شبکه عصبي با ساختار پيش خور چند لايه ١ استفاده شد. ساختار مورد استفاده اين تحقيق ، شامل يک لايه ورودي، يک لايه مخفي و يک لايه خروجي با تابع انتقال از نوع سيگموئيد است .
در داخل هر يک از لايه هاي فوق ، تعدادي نرون قرار دارند که با اتصالات وزن دار بهم مربوط مي شوند. تعداد نرون هاي لايه هاي ورودي و خروجي بستگي به تعداد متغيرهاي ورودي و خروجي مدل دارد ولي انتخاب تعداد نرون هاي لايه مياني بصورت سعي و خطا تعيين مي شود. قبل از استفاده از مدل شبکه عصبي ، وزن ها و اريب هاي ارتباط دهنده نرون هاي شبکه تعيين مي شوند. بهمين منظور با استفاده از يک سري داده شبکه آموزش مي بيند.
در اين تحقيق از روش آموزشي انتشار به عقب ٢ براي آموزش شبکه استفاده شده است و از ميان الگوريتم هاي مختلف اين روش آموزشي، الگوريتم لونبرگ مارکوارت ٣ انتخاب گرديد. تعميم دهي٤ و يا تعيين نتايج دقيق براي وروديهايي که در تدوين مدل استفاده نشدند از ويژگيهاي اين روش آموزشي است . عدم تعميم دهي بعلت ، آموزش بيش از حد٥ است که در مرحله آموزشي اتفاق ميافتد و در اين شرايط شبکه ، مثالهاي مرحله آموزشي را ياد گرفته ولي تعميم داده ها به داده هاي جديد را ياد نگرفته است . الگوريتم LM براي فائق آمدن بر اين اتفاق از ضابطه توقف زود هنگام ٦ استفاده ميکند. در اين روش ، تمام دادها براي تدوين ساختار مدل به سه گروه تقسيم مي شود [٩]. اولين گروه داده ها به عنوان داده هاي آموزش ، براي تعيين وزنها و اريب هاي شبکه استفاده ميشوند و دومين گروه از داده ها براي ارزيابي وزنها و اريب هاي شبکه و تصميم گيري براي توقف مرحله آموزشي مورد استفاده قرار مي گيرند. بطور معمول خطاي ارزيابي در مراحل اوليه آموزش ، کاهش مي- يابد ولي زماني که آموزش بيش از حد داده ها اتفاق مي افتد، اين خطا افزايش مي يابد. با شروع اين خطا، آموزش داده ها متوقف مي شود و وزن ها و اريب هاي شبکه در شرايط حداقل خطا تعيين مي شوند. به عبارتي طراحي شبکه بر اساس داده هاي آموزشي و ارزيابي صورت مي گيرد. تعيين دقت عملکرد مدل روي داده هاي جديد که در تدوين مدل استفاده نشدند و يا به عبارتي آزمون مدل ، با استفاده از سومين گروه داده ها انجام مي- شود. در اين تحقيق ٦ ايستگاه هواشناسي آبادان ، مسجد سليمان ، بوستان ، صفي آباد، بهبهان و آغاجاري براي آموزش و ارزيابي مدل و ٤ ايستگاه اهواز، شوشتر، رامهرمز و ماهشهر براي آزمون مدل استفاده شدند. از ميان داده هاي آموزش و ارزيابي ،٧٠ درصد آن به آموزش و ٣٠ درصد بقيه به ارزيابي شبکه اختصاص داده شدند
تابش روزانه خورشيد
تابش روزانه خورشيد از متغيرهايي است که در مدل هاي مخلف پيش بيني تبخير از تشت و تبخير و تعرق گياه استفاده ميشود و در اين تحقيق با استفاده از روش تجربي موسوم به انگستروم پيش بيني شد و بعنوان يکي از متغيرهاي ورودي، قابليت مدل شبکه عصبي تبخير از تشت مورد بررسي قرار گرفت . روش انگستروم توسط آلن و همکاران [١٠] توصيه شده و در آن تابش روزانه خورشيد به تابش برون زميني و ساعات تابش آفتاب ارتباط دارد:
در رابطه فوق ، Rs تابش خورشيد يا امواج کوتاه ساعات آفتاب روزانه (ساعت )، N ماکزيمم ساعات آفتابي ممکن (ساعت )، Ra تابش برون زميني و bs ضرايب تجربي هستند و در اين تحقيق از مقادير توصيه شده بترتيب برابر ٠.٢٥ و ٠.٥ استفاده شد (١). مقادير N و Ra با استفاده از معادلات ارائه شده توسط آلن و همکاران [١٠] بر اساس عرض جغرافيايي و روز شمار سال تعيين شده اند
٣- نتايج و بحث
تدوين مدل شبکه عصبي
در مرحله اول اين بررسي ، مدل هاي شبکه عصبي با ترکيب هاي مختلف داده هاي هواشناسي بعنوان داده هاي ورودي براي تعيين تبخير از تشت تدوين شدند و تعداد نرون هاي لايه مياني هر مدل با استفاده از روش سعي و خطا تعيين گرديدند و نتايج در جدول ٢ ارائه شده است . ملاحظه ميشود، وقتي از يک متغير هواشناسي براي پيش بيني تبخير از تشت استفاده گردد، دماي هوا بيشترين همبستگي و بالاترين دقت را نسبت به ساير داده هاي هواشناسي دارد و بهترين ساختار مدل شبکه عصبي با ٨ نرون در لايه مياني حاصل ميشود و شاخص هاي آماري R٢،RMSE و IND٣ بترتيب ٠.٧٧، ٢.٨ ميليمتر در روز و ٧٥.٦ درصد برآورد شده است . در اين مدل ٢٤.٤ درصد از نتايج ،اختلافشان با مقادير واقعي بيشتر از ٣ ميليمتر در روز است و اين نتايج براي مطالعات منابع آب و آبياري از دقت مطلوبي برخوردار نيست . لذا بايد از مدل ها با تعداد ورودي بيشتر که دقت بالاتري ارائه دهد، استفاده کرد. در صورتيکه از دو متغير هواشناسي جهت ورودي مدل شبکه عصبي استفاده شود، ترکيب دماي هوا و سرعت باد با تعداد ١١ نرون در لايه مياني، بهترين ساختار را ارائه ميدهد و به عبارتي براي تدقيق برآورد تبخير از تشت ، اثر استفاده از پارامتر سرعت باد بيشتر از پارامترهاي رطوبت هوا و ساعات آفتابي است . با ملاحظه جدول ٢ مشخص ميشود، ترکيب سرعت باد با دماي هوا نتايج بهتري نسبت به ترکيب دو متغير رطوبت هوا و ساعات آفتابي با دماي هوا دارد و به عبارت ديگر اندازه گيري سرعت باد به تنهايي بر اندازه گيري دو پارامتر رطوبت نسبي و ساعات آفتابي برتري دارد ولي هنوز دقت پيش بيني تبخير از تشت براي کارهاي عملي کافي نيست
بهترين ساختار مدل شبکه عصبي با ٣ داده ورودي از ترکيب دماي هوا، سرعت باد و رطوبت نسبي هوا حاصل ميشود و لذا اثر استفاده از رطوبت نسبي بر روي نتايج مدل شبکه عصبي بيشتر از ساعات آفتاب روزانه است .
اين ساختار شبکه با ١٠ نرون در لايه مياني، تبخير از تشت را با دقت ٢.٢ ميليمتر در روز پيش بيني مي کند و دقت حدود ١٨ درصد از نتايج ، کمتر از ٣ ميليمتر در روز است . با افزايش تعداد ورودي ها به ٤ متغير، شاخص - هاي آماري ، کمي بهتر ميشوند. در مجموع مدل شبکه عصبي با ساختار ٤ متغير ساده هواشناسي در لايه ورودي و ١٤ نرون در لايه مياني بهترين نتايج را ارائه مي دهد. اين ساختار شبکه براي ايستگاه هاي اهواز، شوشتر، رامهرمز و ماهشهر که داده هاي آنها در تدوين و ارزيابي مدل استفاده نشدند، اجرا شد و پراکنش نتايج تبخير از تشت حاصل از مدل و اندازه گيري شده بتفکيک ٤ ايستگاه در شکل ١ مشاهده ميگردد.
