بخشی از مقاله
*** اين فايل شامل تعدادي فرمول مي باشد و در سايت قابل نمايش نيست ***
تعیین گارامترهای موثر بر تبخیر-تعرق با استفاده از آزمون گاما
چکیده
تبخیر و تعرق یکی از اجزای اصلی چرخه هیدرولوژیکی است که تعیین صحیح آن در مطالعات بیلان آبی، طراحی سیستمهای آبیاری حایز اهمیت میباشد. برنامهریزی و مدیریت منابع آب برای دستیابی به توسعه پایدار نقش به سزایی دارد. تاکنون روشهای مختلفی برای تخمین تبخیر-تعرق ارایه شده است که از پارامترهای مختلف هواشناسی استفاده میکنند. تعیین مهمترین پارامترها به منظور تخمین دقیقتر تبخیر-تعرق دارای اهمیت میباشد. در این تحقیق با استفاده از آزمون گاما موثرترین پارامترهای هواشناسی و بهترین ترکیب برای مدلسازی فرایند تبخیر -تعرق تعیین گردید. نتایج نشان داد نتایج حاصل از ترکیب پارامترهای هواشناسی شامل: دمای حداکثر و حداقل، رطوبت نسبی حداکثر و حداقل، سرعت باد و میزان تابش خورشیدی با نتایج ترکیب دمای حداقل و تابش خورشیدی تفاوت قابل توجهی ندارد. همچنین باد موثرترین پارامتر در مدلسازی میباشد. آزمون گاما نشان داد تعداد 400 داده برای مدلسازی فرایند تبخیر-تعرق با استفاده از پارامترهای هواشناسی کافی است.
واژههای کلیدی: آزمون گاما، تبخیر-تعرق، پارامترهای هواشناسی، سرعت باد
مقدمه
یکی از راههای کاهش بحران آب در کشاورزی به واسطه پایین بودن راندمان مصرف آن و استفاده بیش از حد منابع موجود، مدیریت آب در تأمین نیاز آبی گیاهان زراعی است. در این زمینه تبخیر تعرق، در واقع شاخص تعیین کننده ای درفرایند رشد است که معادل آب مورد نیاز گیاهان زراعی قلمداد می شود. به همین خاطر تخمین دقیق آن با توجه به شرایط آب و هوایی هر منطقه و گیاه صورت می گیرد. به دلیل تأثیر عوامل جوی و فیزیولوژی گیاه در فرایند تبخیر تعرق، این فرایند دارای پیچیدگی زیاد میباشد و روشهای بسیاری برای تخمین آن ارائه شده است ( کوچک زاده و بهمنی، .(2005 تبخیر-تعرق فرایند اتلاف آب از سطح خاک و گیاه به اتمسفر از طریق تبخیر و تعرق میباشد. تبخیر-تعرق یک عامل مهم در محاسبه بیلان آب، تخمین آب مصرفی و آب مورد نیاز و برنامهریزی آبیاری میباشد. از آنجایی که بیش از نیمی از جمعیت جهان وابسته به محصولات تحت آبیاری میباشند تعیین مقدار دقیق تبخیر تعرق بسیار حائز اهمیت میباشد.
لایسیمتر تنها روش مستقیم برآورد تبخیر تعرق است. هر چند هزینه سنگین نصب و نگهداری، استفاده از آن را مشکل ساخته است، لیکن به هر حال معتبرترین روش در واسنجی مدل های تبخیر تعرق است. تا کنون بیش از 50 روش تخمین تبخیر تعرق گیاه مرجع (ETo) در قالب روش های ترکیبی، آئرودینامیک و تجربی ارائه شده است، که اغلب با توجه به داده های هواشناسی نتایج متفاوتی دارند (گریسمر و همکاران، .(2002
با توجه به اینکه استفاده از لایسیمتر به دلیل مشکلات آن در همه جا امکانپذیر نمیباشد مدلهای ریاضی، تجربی و نیمه تجربی وجود دارد که با استفاده از با استفاده از پارامترهای هواشناسی میتوان تبخیر-تعرق را پیشبینی نمود. درجه حرارت معمولیترین پارامتر هواشناسی میباشد. بنابراین بعضی از محققان روابطی ارائه نمودند که با توجه به درجه حرارت، تبخیر و تعرق را تخمین میزند. تورنت ویت، هارگریوز، هارگریوز سامانی و بلانی کریدل ازجمله این روشها میباشد. در بعضی از روشها مانند ایوانف و پاپادایس از رطوبت نیز در روابط استفاده شده است. مک لینگ ، جنسن هینز، و تورک، تابش خورشید را در روابط خود وارد نمودند. پنمن، پنمن مانتیث و پنمن اصلاح شده توسط FAO تأثیر پارامترهای دیگری را نیز در نظر گرفتند. هر یک ار این مدلها از پارامترهای مختلفی استفاده میکنند که ممکن است در یک منطقه اندازهگیری نشده باشد.
سادهر و همکاران برای محاسبه تبخیر-تعرق از دمای هوا، تابش برون زمینی و ساعتات آفتابی استفاده نمودند و نتایج حاصل را رضایتبخش توصیف نمودند. نوری 2009) و (2011 با استفاده از گاما تست پارامترهای تأثیر گذار بر مقدار مونواکسید کربن و تولید زباله را تعیین و سپس با سیستمهای هوشمند مانند شبکه عصبی شبیهسازی نمود. مقدمنیا (2010) با استفاده از آزمون گاما پارامترهای موثر بر تبخیر-تعرق را انتخاب نمودند.
مرور منابع نشان میدهد تعیین پارامترهایی که بر تبخیر -تعرق موثر میباشد حایز اهیمت است. در این تحقیق با استفاده از آزمون گاما مهمترین پارامترهای هواشناسی که بر تبخیر-تعرق اثر دارند شناسایی و با استفاده از رگرسیون غیرخطی مقدار تبخیر-تعرق تخمین زده میشود.
مواد و روشها دادههای مورد استفاده
تبخیر -تعرق لایسیمتر و دادههای هواشناسی شامل: دمای حداکثر و حداقل، رطوبت نسبی حداکثر و حداقل، سرعت باد و میزان تابش خورشیدی از سایت ww.usgs.com مربوط به ایستگاه بووارد با طول جغرافیایی 80/468 غربی، عرض جغرافیایی 25/973 و ارتفاع 364 میباشد. پارامترهای آماری مربوط به دادهها در جدول (1) آورده شده است.
آزمون گاما
آزمون گاما یک روش غیر متغیری است و نتایج آن صرف نظر از تکنیکهای خاص برای مدلسازی به کار برده میشود. با این آزمون مقدار میانگین مربعات خطای مدل پیش از استفاده محاسبه و ترکیب بهینه متغیرهای ورودی شناسایی میشود؟ بنابراین، آزمون گاما را میتوان به عنوان ابزاری مناسب برای یافتن بهترین ترکیب از متغیرهای ورودی به مدل غیر خطی در نظر گرفت؟ در واقع آزمون گاما تخمینی از حداقل میانگین مربعات خطای آن بخش از دادهها است که با مدل خطی نمیتوان آنها را تعیین کرد؟ آزمون گاما حداقل میانگین مربعات خطا (MSE) را تخمین میزند. این آزمون برای مدلسازی دادههای پیچیده قابل استفاده میباشد. آزمون گاما اولین بار توسط کنکار (1997) و آگالبجورن و همکاران (1997) مورد استفاده قرار گرفت وبعداًتوسط محققین زیادی مورد بحث و بررسی قرار گرفت.. ایده اصلی این روش به طور کامل با دیگر روشهای آنالیز غیرخطی متفاوت است. فرض کنید یک سری داده وجود دارد، . که مقدار x بر مقدار خروجی y تأثیر دارد. تنها فرض این موضوع میباشد که یک رابطه در این سیستم به صورت میباشد که f یک تابع و r مقدار خطا میباشد. آزمون گاما بر مبنای میباشد که نزدیکترین همسایگی برای هر مقدار ورودی است. آزمون گاما از تابع دلتای مقادیر ورودی به دست میآید:
که فاصله اقلیدسی و تابع گامای مربوط به مقادیر خروجی به صورت
میباشد که در آن مقدار متناظر y برای k امین نزدیکترین همسایهی x در معادله (1) میباشد. با ایجاد رابطهی رگرسیون خطی بین p مجموعه ی مقدار آماره گاما (Γ) برابر عرض از مبدأ خط رگرسیون برازش داده شده است که معادله این خط در رابطه ی (2) آورده شده است.
با توجه به خط برازش شده اطلاعات مفیدی در خصوص پیچیدگی سیستم در حال بررسی به دست میآید. عرض از مبدأ این خط بیانگر مقدار عددی آماره گاما (Γ) میباشد و همچنین شیب خط (δ)، پیچیدگی مدل را نشان میدهد. نتایج حاصل از آزمون گاما توسط پارامتر دیگری نیز قابل بررسی میباشد. مقدار این پارامتر توسط رابطه (3) به دست میآید:
که : واریانس مقادیر خروجی میباشد و عددی است بین 0و1 که مقدار خطای ثابت دارای مقیاس تخمینی را نشان میدهد. هرچه مقدار به صفر نزدیک باشد بیانگر توانایی بالای شبیهسازی مقدار خروجی میباشد.
برای بررسی مقدار آماره گامای ترکیبهای مختلف پارامترها از نرمافزار WinGamma استفاده شد. پس از انتخاب بهترین ترکیب از پارامترها که حداقل مقدار گاما را داشته باشد، این پارامترها به عنوان ورودی به مدل ANFIS وارد شدند.
شکل (1) اطلاعات زیادی در اختیار ما قرار میدهد. عرض از مبدا یا همان مقدار و شیب خط رگرسیونی که نشان دهنده پیچیدگی مدل میباشد و هرچه شیب بیشتر باشد پیچیدگی بیشتر است.
معیارهای ارزیابی
هدف از کاربرد آزمونهای آماری در این تحقیق، تعیین میزان خطای هر یک از روابط تبخیر و تعرق و روشهای ترکیبی میباشد.
در این آزمون : Ai نیاز آبی محاسبه شده، : Bi نیاز آبی بدست آمده از لایسیمتر و :n تعداد مشاهدات میباشد.
نتایج و بحث
با استفاده از آزمون گاما حجم فرایند انتخاب پارامترها کاهش مییاد. 6 پارامتر شامل دمای حداکثر، دمای حداقل، رطوبت نسبی حداکثر، رطوبت نسبی حداقل، تابش خورشیدی و سرعت باد به مدل معرفی شدند و 10 همسایگی در نظر گرفته شد و پارامترهای مربوط به آزمون گامای 63 ترکیب از دادههای هواشناسی مورد بررسی قرار گرفت. بهترین ترکیب دارای کمترین مقدار آماره گاما (Γ) و Vratio میباشد. مهمترین ترکیبها با یک تا پنج ورودی در جدول (2) آورده شده است. هنگامیکه تمام پارامترها مورد استفاده قرار میگیرد مقدار گاما کمترین مقدار میباشد. آزمون گاما نشان میدهد بهترین نتیجه هنگامی به دست میآید که تمام پارامترها برای مدلسازی تبخیر -تعرق به کار گرفته شود. در صورتیکه 5 پارامتر مد نظر باشد رطوبت نسبی حداکثر حذف شود میشود. در مرحله بعدی سرعت باد از ترکیب پارامترها حذف میشود. برای 3 پارامتر، باد، تابش خورشیدی و دمای حداقل بهترین ترکیب میباشند. دمای حداقل و تابش خورشیدی بهترین ترکیب با دو پارامتر میباشد. در صورتیکه یک پارامتر برای مدلسازی استفاده شود دمای حداکثر موثرترین پارامتر میباشد. هنگامی که از یک پارامتر استفاده میشود مقدار گاما به مقدار قابل توجهی افزایش مییابد و نشان میدهد دقت مدلسازی با استفاده از یک پارامتر نسبت به دیگر ترکیبها کاهش قابل توجهی نشان میدهد.
به منظور بررسی دقت ترکیبهای ذکر شده، با استفاده از رگرسیون غیرخطی نتایج هر ترکیب با مقادیر واقعی مقایسه گردید. مقادیر ضریب همبستگی و خطای RMSE در جدول ( 2) آورده شده است. مقایسه ترکیبهای مختلف نشان میدهد تمامی ترکیبهای 6 تا 2 پارامتری نتایج مشابهی ارایه میدهند و فقط هنگامیکه از یک پارامتر استفاده میشود مقدار ضریب همبستگی به 0/59 کاهش مییابد. مقادیر ضریب همبستگی و RMSE نشان میدهد که با استفاده از یک پارامتر نمیتوان تبخیر-تعرق را شبیهسازی نمود.
به منظور بررسی مهمترین پارامتر در بین شش پارامتر مورد بررسی شکل (2) ارایه شد. مقادیر گاما با حذف هر پارامتر در شکل آورده شده است. سپس پارامتر مذکور به ترکیب اضافه و پارامتر دیگر حذف میگردد. این فرایند برای تمام پارامترها تکرار گردید . همانگونه که مشخص میباشد هنگامیکه پارامتر باد از ترکیب حذف میشود مقدار گاما به مقدار زیادی افزایش مییابد. بالاترین خط در شکل مربوط به همهی پارامترها بدون باد میباشد.
