بخشی از مقاله
.1 چکیده
تبخیر- تعرق یکی از اجزاي اصلی چرخه ي هیدرولوژي است. روش فائو- پنمن- مانتیث از طرف سازمان - FAO - به عنوان روش استاندارد محاسبه ETO توصیه شده است که متأسفانه نیاز به داده هاي زیادي دارد. از طرفی شبکه هاي عصبی مصنوعی در چند دهه ي اخیر براي مدلسازي سیستم هاي پیچیده قابلیت بالایی از خود نشان داده اند. به منظور بررسی میزان حساسیت تبخیر- تعرق گیاه مرجع نسبت به پارامترهاي اقلیمی در سه ایستگاه الشتر، نورآباد و خرم آباد، ابتدا براي هر سه ایستگاه تبخیر- تعرق روزانه به روش فائو- پنمن- مانتیث در دوره ده ساله - 2001 -2010 - محاسبه و به عنوان خروجی شبکه در نظر گرفته شد. سپس شش پارامتر هواشناسی مورد نیاز در روش فائو- پنمن- مانتیث به صورت 18سناریوي اطلاعاتی با یکدیگر ترکیب و به عنوان ورودي شبکه بکاربرده شدند. نتایج این تحقیق نشان داد که دو پارامتر دماي حداکثر و سرعت باد بیشترین تأثیر را در برآورد ETO در این مناطق دارند.
کلمات کلیدي: تبخیر و تعرق مرجع، فائو- پنمن- مانتیث، شبکه عصبی مصنوعی
.2 مقدمه و هدف
تبخیر و تعرق - ET - 1 یکی از مهمترین اجزاي چرخه ي هیدرولوژیک میباشد و تخمین دقیق آن براي بسیاري از مطالعات نظیر بیلان هیدرولوژیکی آب، طراحی و مدیریت سیستمهاي آبیاري و... ضروري است. یکی از متداولترین روشهاي تخمین تبخیر و تعرق براي گیاهان زراعی، محاسبه ي تبخیر و تعرق پتانسیل گیاه مرجع - ET0 - 2 و سپس استفاده از ضرایب گیاهی میباشد. از میان روش هاي مبتنی بر داده هاي هواشناسی براي محاسبه تبخیر و تعرق گیاه مرجع، روش فائو-پنمن- مانتیت1 به منزله روش استاندارد برآورد ET0 معرفی شده است .[5] با وجود دقت مناسب روش فائو- پنمن-مانتیث این روش به داده هاي هواشناسی زیادي نیاز دارد.
لذا استفاده از مدل هاي ساده تر که به داده هاي هواشناسی کمتري نیاز دارند، براي برآورد ET0 بیشتر مورد توجه هستند. تبخیر و تعرق فرآیندي پیچیده و غیر خطی است که به عوامل متعدد اقلیمی وابسته است. پیچیدگی فرآیند تبخیر و تعرق وکثرت اطلاعات مورد نیاز براي محاسبه ي آن از یک سو و مشکلات موجود بر سر راه اندازه گیري این داده ها کهغالباً موجب فقدان آنها میگردد از طرف دیگر، ضرورت استفاده از شبکه هاي عصبی مصنوعی2 را براي تعیین حداقل پارامترها در برآورد تبخیر و تعرق آشکار می سازد .[4] شبکه هاي عصبی مصنوعی - ANN - مدل هاي ریاضی ساده شده ي شبکه هاي عصبی بیولوژیک را ارائه میکنند .[7]
یک سیستم ممکن است غیر خطی و چند متغیره باشد و متغیرهاي دخیل ممکن است داراي روابط داخلی پیچیده اي باشند. شبکه هاي عصبی مصنوعی توانایی مطابقت این پیچیدگی را دارند. همچنین شبکه هاي عصبی مصنوعی توانایی استخراج رابطه ي بین داده هاي ورودي و خروجی یک فرآیند را بدون هیچ گونه اطلاع از اصول آن دارند .[8]زانتی و همکاران [17] قابلیت شبکه هاي عصبی مصنوعی را براي تخمین تبخیر و تعرق گیاه مرجع در ایالت ریودوژانیروي آرژانتین با استفاده از دماي حداکثر و حداقل هوا و دو پارامتر تشعشع خورشیدي خارج از اتمسفر و ساعات آفتابی روزانه که خود تابعی از عرض جغرافیایی منطقه هستند مورد بررسی قرار دادند.
با توجه به نتایج به دست آمده از ANN نتیجه گرفته شد که فقط با بکارگیري حداکثر و حداقل دما، میتوان مقادیر ET0 را در این منطقه تخمین زد.زارع ابیانه و همکاران [3] براي پیش بینی تبخیر و تعرق گیاه مرجع در منطقه همدان از شبکه عصبی مصنوعی و سیستم استنتاج عصبی فازي استفاده نمودند. آنها در تحقیق خود با ایجاد 4 مدل مختلف از ترکیب 6 پارامتر دماهاي حداکثر و حداقل، مقادیر رطوبت نسبی حداقل و حداکثر، سرعت باد و ساعات آفتابی بیان داشتند که از میان مدل هاي بررسی شده، مدل با ترکیب پارامترهاي دماي حداقل، دماي حداکثر و ساعات آفتابی روزانه از دقت بالاتري جهت تخمین تبخیر و تعرق برخوردار است.
هم چنین در تحقیقی دیگر زارع ابیانه و همکاران [2] با استفاده از داده هاي لایسیمتري دقت شبکه عصبی با پرسپترون چند لایه - MLP - را جهت تخمین مقدار تبخیر و تعرق گیاه سیر با استفاده از پارامترهاي هواشناسی، مورد ارزیابی قرار دادند. نتایج آن ها نشان داد که شبکه ي MLP از دقت خوبی برخوردار است و نسبت به پارامتر دماي حداکثر بیشترین حساسیت و حداقل رطوبت نسبی کمترین حساسیت را داراست.آیتک با چهار پارامتر دماي هوا، رطوبت نسبی، سرعت باد و مقدار تابش خورشیدي، در محیط 3CANFIS و اُدهیامبو و همکاران از سه پارامتر رطوبت نسبی هوا، تابش خورشیدي و سرعت باد در محیط فازي، تبخیر و تعرق را تخمین و کفایت تعداد متغیرهاي ورودي را نشان دادند، نتایج این تحقیق بیانگر این بود که میزان تبخیر و تعرق مرجع برآورد شده بااین روش کمتر از روش فائو- پنمن- مانتیث است 6]، 14، .[15
تراجکویچ و کولاکویچ [16] در شش ایستگاه هواشناسی درکشور یوگسلاوي با استفاده از معادله فائو- پنمن- مانتیث و داده هاي حداکثر و حداقل دما، تبخیر و تعرق مرجع ماهانه را برآورد نمودند. نتایج بدست آمده را با روش هاي هارگریوز اصلاح شده و ترك و روش شبکه هاي عصبی مصنوعی مقایسه کردند. نتایج نشان داد در بیشتر موارد، معادله فائو- پنمن-مانتیث با داده هاي محدود برآورد نزدیکتري به روش فائو- پنمن- مانتیث با داده هاي کامل دارد. حداقل داده هاي لازم براي اقلیم مرطوب حداقل و حداکثر دما و سرعت باد منطقه ذکرگردید.هدف از مطالعه کنونی تعیین پارامترهاي مؤثر هواشناسی براي برآورد تبخیر تعرق گیاه مرجع با استفاده از شبکه عصبی مصنوعی در سه ایستگاه الشتر، نور آباد و خرم آباد به عنوان شهرستان هاي حاصلخیز کشور از نظر کشاورزي می باشد.
.3 مواد و روشها
در این تحقیق آمار هواشناسی روزانه 3 ایستگاه الشتر، نور آباد و خرم آباد واقع در استان لرستان به مدت 10 سال از آغاز سال 2001 تا پایان سال 2010 جمع آوري شد. دماي حداکثر - Tmax - ، دماي حداقل - Tmin - ، رطوبت نسبی حداکثر - RHmax - ، رطوبت نسبی حداقل - RHmin - ، سرعت باد - u - و ساعات واقعی آفتاب - n - پارامترهایی بودند که از ایستگاه هاي فوق جمع آوري و به عنوان پارامترهاي ورودي به شبکه ي عصبی استفاده شدند.تبخیر و تعرق پتانسیل گیاه مرجع با استفاده از معادله فائو- پنمن- مانتیث - رابطه - 1 به صورت روزانه در دوره آماري 10ساله - 2001 – 2010 - براي هر سه ایستگاه محاسبه گردید.
این روش با درجه اعتماد بالایی در دامنه وسیعی از مناطق و اقلیم ها برآورد صحیحی از تبخیر و تعرق گیاه مرجع ارائه می کند و از سوي سازمان خوار و بار جهانی - FAO - به عنوان روشی استاندارد براي محاسبه تبخیر و تعرق گیاه مرجع از روي داده هاي اقلیمی پیشنهادشده است .[11]در این رابطه، :ET0 تبخیر و تعرق پتانسیل گیاه مرجع - mm.day-1 - ، :Rn تابش خالص در سطح پوشش گیاهی - MJ.m-2.day-1 - ،:G شار گرما به داخل خاك - MJ.m-2.day-1 - ، :T متوسط دماي هوا در ارتفاع دو متري از سطح زمین - 0C - ، :U2 سرعت باد در ارتفاع 2 متري از سطح زمین - m.s-1 - ، :es فشار بخار اشباع - Kpa - ، :eaفشار بخار واقعی - Kpa - ، :es-ea کمبود فشار بخار اشباع - Kpa - ، : شیب منحنی فشار بخار - Kpa. 0c-1 - و : ضریب رطوبتی - Kpa. 0c-1 - می باشد.
در این پژوهش نوع شبکه ي عصبی مصنوعی پرسپترون چند لایه - MLP - 1 انتخاب شد. ساختار شبکه ي عصبی MLP از سه لایه ي ورودي، پنهان و خروجی تشکیل شده که براي معماري شبکه در هر لایه تعدادي نرون در نظر گرفته می شود. تعداد نرون هاي موجود در لایه هاي ورودي و خروجی با توجه به ماهیت مسأله ي مورد بررسی و تعداد نرون هاي موجود در لایه هاي پنهانی و هم چنین تعداد این لایه ها با سعی و خطا در جهت کاهش مقدار خطا توسط طراح مشخص میگردد.[13] عملیات مدلسازي در نرم افزار NeuroSolution Ver 5 تحت ویندوز که در آن امکان تعیین همه پارامترهاي مربوط به طراحی ساختار بهینه شبکه وجود دارد، انجام شد. مهمترین این پارامترها، شمار نرون لایه پنهان و شمار لایه هاي پنهان، تعداد تکرارها ي آموزش و توانمند ي تشخیص آموزش شبکه از طر یق آزمون اعتبارسنجی متقابل - CV - 2 ، جهت توقف آموزش شبکه است، روش آموزش شبکه همانند گزارشات کیسی [10]، لندراس و همکاران
