مقاله تدوین مدل شبکه عصبی مصنوعی تبخیر از تشت با حداقل داده هواشناسی

word قابل ویرایش
9 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 ***

تدوین مدل شبکه عصبی مصنوعی تبخیر از تشت با حداقل داده هواشناسی
چکیده :
مدل هایی که تاکنون برای پیش بینی تبخیر از تشت ارائه شده به داده های زیادی نیاز دارند و بعضی از داده ها در ایستگاه – های هواشناسی ایران اندازه گیری نمیشوند. در این بررسی با استفاده از مدل شبکه عصبی مصنوعی، ترکیب های مختلف ۴ داده هواشناسی در دسترس (دمای هوا، رطوبت هوا، سرعت باد و ساعات آفتاب روزانه ) و تابش برآورد شده ار رابطه انگستروم بعنوان داده های ورودی برای پیش بینی تبخیر از تشت مورد بررسی قرار گرفت . داده های این تحقیق از ١٠ ایستگاه هواشناسی استان خوزستان از سال های ١٩٩٠ تا ٢٠٠٠ جمع آوری شد. نتایج نشان داد، بکمک مدل های شبکه عصبی میتوان تبخیر روزانه از تشت را با استفاده از داده های در دسترس هواشناسی با دقت مطلوبی برآورد نمود.
واژه های کلیدی : تبخیر از تشت ، مدل شبکه عصبی، تابش خورشید، دمای هوا، سرعت باد

١- مقدمه :
تلفات آب بوسیله تبخیر یکی از پارامترهای مهم در پایش و برنامه ریزی منابع آب است . تعیین شدت تبخیر آب از مزارع کشاورزی برای طراحی و مدیریت عملیات آبیاری ضروری می باشد. با توجه به اهمیت این پارامتر، تشت های تبخیر برای اندازه گیری مستقیم تبخیر از سطح آب بعنوان یکی از ابزارهای اندازه گیری پارامترهای جوی در ایستگاه های هواشناسی نصب می شوند. تشت تبخیر نوع A به قطر ١٣٢ سانتی متر و ارتفاع ٢۵ سانتی متر که ١۵ سانتی متر بالای زمین نصب می شود، بعلت سهولت تفسیر داده های آن در سراسر دنیا بعنوان شاخصی برای تعیین تبخیر از دریاچه ها و مخازن استفاده می شود [١ و ٢]. راه اندازی و بهره برداری از ایستگاه های تبخیر سنجی در مناطق فاقد مخازن آب گران تمام میشود و همچنین بسیاری از ایستگاه ها فاقد آمارهای مداوم و طولانی مدت می باشند. از این رو روش های تحلیلی و تجربی زیادی برای پیش بینی تبخیر از سطح آزاد آب و تبخیر از تشت با استفاده از داده های هواناسی ارائه شده است . روش های تحلیلی به داده های هواشناسی زیادی نیاز دارند و بعضی از این داده ها مثل تابش خورشید در همه جا و همیشه اندازه گیری نمی شود [٣]. روش های تجربی به داده های کمتری نیاز دارند ولی دقت آنها در مناطق مختلف متفاوت است و برای هر منطقه باید واسنجی گردند [٣، ۴ و ۵].
در چند سال اخیر، مدل های شبکه عصبی برای پیش بینی تبخیر از تشت بر اساس داده های هواشناسی مورد بررسی قرار گرفته است . بروتون و همکاران [۶] ، یک مدل شبکه عصبی برای تعیین تبخیر روزانه از تشت با استفاده از داده های روزانه اندازه گیری شده در ایستگاه های هواشناسی تدوین نمودند. داده های ورودی مدل آنها شامل بارندگی، دما، رطوبت نسبی، تابش خورشید و سرعت باد بودند. ضریب تعیین و ریشه میانگین مربع خطای مدل تدوین شده آنها بترتیب ٠.٧١ و ١.١ میلیمتر در روز برآورد شده بود. ترزی و ارول کسکین [٧] داده های ایستگاه هواشناسی نزدیک دریاچه ای در غرب ترکیه را برای تعیین تبخیر روزانه از تشت با استفاده از مدل شبکه عصبی مورد بررسی قرار دادند. نتایج تحقیق آنها نشان داد که بهترین ساختار مدل با ۴ داده ورودی شامل دمای هوا، دمای سطح آب ، تابش خورشید و فشار هوا بدست میآید و داده های سرعت باد و رطوبت نسبی هوا دارای همبستگی معنیداری با شدت تبخیر در ناحیه مورد بررسی آنها نیست . ضریب تعیین و میانگین مربع خطای مدل تدوین شده آنها بترتیب ٠.٧٧ و ١.۶١ ملیمتر در روز برآورد شده بود. همجنین ارول کسکین و ترزی [٨] نتایج مدل شبکه تدوین شده فوق را با نتایج روش پنمن مقایسه کردند و نتیجه گرفتند، نتایج حاصل از مدل شبکه عصبی همبستگی بیشتری با مقادیر اندازه گیری شده تبخیر از تشت نسبت به روش پنمن دارد. هدف این تحقیق ، بررسی حداقل داده های هواشناسی لازم برای پیش بینی تبخیر از تشت بکمک مدل های شبکه عصبی مصنوعی است . در این تحقیق داده های هواشناسی متداول مثل دمای هوا، رطوبت هوا و سرعت باد که در اغلب هواشناسی اندازه گیری میشود، مورد بررسی قرار گرفته است
٢- مواد و روش ها
محدوده مطالعه و منابع داده ها
محدوده مورد مطالعه این تحقیق ، استان خوزستان انتخاب شد و داده های هواشناسی مورد نیاز این تحقیق از ١٠ ایستگاه وابسته به سازمان هواشناسی این استان جمع آوری شد. این داده ها مربوط به سالهای ١٩٩٠ تا ٢٠٠٠ میلادی است و شامل متغیرهای روزانه تبخیر از تشت (Epan)، دمای هوا (Ta)، رطوبت نسبی (RH)، ساعات واقعی آفتاب (n) و سرعت باد (U) است . تبخیر از تشت بعنوان خروجی مدل و بقیه متغیرها بعنوان داده های ورودی مدل استفاده شدند. روزهایی که داده های ناقص داشتند، از تجزیه و تحلیل در این تحقیق حذف شدند.
در جدول (١) فهرست نام ایستگاه ها و مشخصات کلی آنها ارائه شده است .

مدل شبکه عصبی
برای تعیین تبخیر از تشت ، مدل شبکه عصبی با ساختار پیش خور چند لایه ١ استفاده شد. ساختار مورد استفاده این تحقیق ، شامل یک لایه ورودی، یک لایه مخفی و یک لایه خروجی با تابع انتقال از نوع سیگموئید است .
در داخل هر یک از لایه های فوق ، تعدادی نرون قرار دارند که با اتصالات وزن دار بهم مربوط می شوند. تعداد نرون های لایه های ورودی و خروجی بستگی به تعداد متغیرهای ورودی و خروجی مدل دارد ولی انتخاب تعداد نرون های لایه میانی بصورت سعی و خطا تعیین می شود. قبل از استفاده از مدل شبکه عصبی ، وزن ها و اریب های ارتباط دهنده نرون های شبکه تعیین می شوند. بهمین منظور با استفاده از یک سری داده شبکه آموزش می بیند.
در این تحقیق از روش آموزشی انتشار به عقب ٢ برای آموزش شبکه استفاده شده است و از میان الگوریتم های مختلف این روش آموزشی، الگوریتم لونبرگ مارکوارت ٣ انتخاب گردید. تعمیم دهی۴ و یا تعیین نتایج دقیق برای ورودیهایی که در تدوین مدل استفاده نشدند از ویژگیهای این روش آموزشی است . عدم تعمیم دهی بعلت ، آموزش بیش از حد۵ است که در مرحله آموزشی اتفاق میافتد و در این شرایط شبکه ، مثالهای مرحله آموزشی را یاد گرفته ولی تعمیم داده ها به داده های جدید را یاد نگرفته است . الگوریتم LM برای فائق آمدن بر این اتفاق از ضابطه توقف زود هنگام ۶ استفاده میکند. در این روش ، تمام دادها برای تدوین ساختار مدل به سه گروه تقسیم می شود [٩]. اولین گروه داده ها به عنوان داده های آموزش ، برای تعیین وزنها و اریب های شبکه استفاده میشوند و دومین گروه از داده ها برای ارزیابی وزنها و اریب های شبکه و تصمیم گیری برای توقف مرحله آموزشی مورد استفاده قرار می گیرند. بطور معمول خطای ارزیابی در مراحل اولیه آموزش ، کاهش می- یابد ولی زمانی که آموزش بیش از حد داده ها اتفاق می افتد، این خطا افزایش می یابد. با شروع این خطا، آموزش داده ها متوقف می شود و وزن ها و اریب های شبکه در شرایط حداقل خطا تعیین می شوند. به عبارتی طراحی شبکه بر اساس داده های آموزشی و ارزیابی صورت می گیرد. تعیین دقت عملکرد مدل روی داده های جدید که در تدوین مدل استفاده نشدند و یا به عبارتی آزمون مدل ، با استفاده از سومین گروه داده ها انجام می- شود. در این تحقیق ۶ ایستگاه هواشناسی آبادان ، مسجد سلیمان ، بوستان ، صفی آباد، بهبهان و آغاجاری برای آموزش و ارزیابی مدل و ۴ ایستگاه اهواز، شوشتر، رامهرمز و ماهشهر برای آزمون مدل استفاده شدند. از میان داده های آموزش و ارزیابی ،٧٠ درصد آن به آموزش و ٣٠ درصد بقیه به ارزیابی شبکه اختصاص داده شدند
تابش روزانه خورشید
تابش روزانه خورشید از متغیرهایی است که در مدل های مخلف پیش بینی تبخیر از تشت و تبخیر و تعرق گیاه استفاده میشود و در این تحقیق با استفاده از روش تجربی موسوم به انگستروم پیش بینی شد و بعنوان یکی از متغیرهای ورودی، قابلیت مدل شبکه عصبی تبخیر از تشت مورد بررسی قرار گرفت . روش انگستروم توسط آلن و همکاران [١٠] توصیه شده و در آن تابش روزانه خورشید به تابش برون زمینی و ساعات تابش آفتاب ارتباط دارد:

در رابطه فوق ، Rs تابش خورشید یا امواج کوتاه ساعات آفتاب روزانه (ساعت )، N ماکزیمم ساعات آفتابی ممکن (ساعت )، Ra تابش برون زمینی و bs ضرایب تجربی هستند و در این تحقیق از مقادیر توصیه شده بترتیب برابر ٠.٢۵ و ٠.۵ استفاده شد (١). مقادیر N و Ra با استفاده از معادلات ارائه شده توسط آلن و همکاران [١٠] بر اساس عرض جغرافیایی و روز شمار سال تعیین شده اند
٣- نتایج و بحث
تدوین مدل شبکه عصبی
در مرحله اول این بررسی ، مدل های شبکه عصبی با ترکیب های مختلف داده های هواشناسی بعنوان داده های ورودی برای تعیین تبخیر از تشت تدوین شدند و تعداد نرون های لایه میانی هر مدل با استفاده از روش سعی و خطا تعیین گردیدند و نتایج در جدول ٢ ارائه شده است . ملاحظه میشود، وقتی از یک متغیر هواشناسی برای پیش بینی تبخیر از تشت استفاده گردد، دمای هوا بیشترین همبستگی و بالاترین دقت را نسبت به سایر داده های هواشناسی دارد و بهترین ساختار مدل شبکه عصبی با ٨ نرون در لایه میانی حاصل میشود و شاخص های آماری R٢،RMSE و IND٣ بترتیب ٠.٧٧، ٢.٨ میلیمتر در روز و ٧۵.۶ درصد برآورد شده است . در این مدل ٢۴.۴ درصد از نتایج ،اختلافشان با مقادیر واقعی بیشتر از ٣ میلیمتر در روز است و این نتایج برای مطالعات منابع آب و آبیاری از دقت مطلوبی برخوردار نیست . لذا باید از مدل ها با تعداد ورودی بیشتر که دقت بالاتری ارائه دهد، استفاده کرد. در صورتیکه از دو متغیر هواشناسی جهت ورودی مدل شبکه عصبی استفاده شود، ترکیب دمای هوا و سرعت باد با تعداد ١١ نرون در لایه میانی، بهترین ساختار را ارائه میدهد و به عبارتی برای تدقیق برآورد تبخیر از تشت ، اثر استفاده از پارامتر سرعت باد بیشتر از پارامترهای رطوبت هوا و ساعات آفتابی است . با ملاحظه جدول ٢ مشخص میشود، ترکیب سرعت باد با دمای هوا نتایج بهتری نسبت به ترکیب دو متغیر رطوبت هوا و ساعات آفتابی با دمای هوا دارد و به عبارت دیگر اندازه گیری سرعت باد به تنهایی بر اندازه گیری دو پارامتر رطوبت نسبی و ساعات آفتابی برتری دارد ولی هنوز دقت پیش بینی تبخیر از تشت برای کارهای عملی کافی نیست

بهترین ساختار مدل شبکه عصبی با ٣ داده ورودی از ترکیب دمای هوا، سرعت باد و رطوبت نسبی هوا حاصل میشود و لذا اثر استفاده از رطوبت نسبی بر روی نتایج مدل شبکه عصبی بیشتر از ساعات آفتاب روزانه است .
این ساختار شبکه با ١٠ نرون در لایه میانی، تبخیر از تشت را با دقت ٢.٢ میلیمتر در روز پیش بینی می کند و دقت حدود ١٨ درصد از نتایج ، کمتر از ٣ میلیمتر در روز است . با افزایش تعداد ورودی ها به ۴ متغیر، شاخص – های آماری ، کمی بهتر میشوند. در مجموع مدل شبکه عصبی با ساختار ۴ متغیر ساده هواشناسی در لایه ورودی و ١۴ نرون در لایه میانی بهترین نتایج را ارائه می دهد. این ساختار شبکه برای ایستگاه های اهواز، شوشتر، رامهرمز و ماهشهر که داده های آنها در تدوین و ارزیابی مدل استفاده نشدند، اجرا شد و پراکنش نتایج تبخیر از تشت حاصل از مدل و اندازه گیری شده بتفکیک ۴ ایستگاه در شکل ١ مشاهده میگردد.

این فقط قسمتی از متن مقاله است . جهت دریافت کل متن مقاله ، لطفا آن را خریداری نمایید
word قابل ویرایش - قیمت 12700 تومان در 9 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