مقاله سنجش حساسیت تبخیر و تعرق مرجع نسبت به عوامل اقلیمی با استفاده از تکنیک های هوش محاسباتی و روشهای آماری چند متغیره

word قابل ویرایش
22 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 ***

سنجش حساسیت تبخیر و تعرق مرجع نسبت به عوامل اقلیمی با استفاده از تکنیک های هوش محاسباتی و روشهای آماری چند متغیره

چکیده
تبخیروتعرق یکی از پارامترهای موثر بر بیلان آبی حوزه های آبریز محسوب می شود. پارامترهای زیادی بر پدیده تبخیروتعرق اثر می گذارند بنابراین برای استخراج معادلات حاکم بر فرآیند تبخیروتعرق نمی توان تمامی این متغیرها را، حتی در صورت موجود بودن، لحاظ نمود. تعیین مهمترین این عوامل و کاهش آنها در فرآیند مدل سازی می تواند منجر به افزایش دقت برآورد گردد. بنابراین ، انتخاب مدل مناسب بـرای تعیین حساسیت و تعیین تاثیر نسبی پارامترهای مختلف اقلیمی بر تبخیروتعرق دارای اهمیت زیادی است . در ایـن پـژوهش ، بـا اسـتفاده از تکنیک های هوش محاسباتی و هم چنین روشهای آماری چند متغیره، تحلیل حساسیت عومل موثر بر تبخیروتعرق مرجع بر پایـه روش فـائو پنمن -مانتیث در مناطق غرب و شمالغرب ایران بررسی شد. به منظور افزایش دقت در نتایج خروجی مدلها و در نظر گرفتن نوع اقلیم در فرآیند تبخیرو تعرق، با استفاده از روش ادغام وارد و معیار شباهت اقلیدسی در تکنیک تحلیل خوشه ای، بـر پایـه دادههـای ایسـتگاههـای سینوپتیک و کلیماتولوژی، محدوده مطالعه به چند منطقه همگن اقلیمی تفکیک شد. سپس در هر یک از مناطق همگن ، اقـدام بـه بررسـی مهمترین پارامترهای موثر بر تبخیروتعرق مرجع با استفاده از سه روش تحلیل عاملی، شبکه عصبی و درخت تصمیم شد. در پایـان صـحت و اعتبارسنجی هر یک از این روشها برای مناطق همگن مختلف انجام شد. نتایج پژوهش نشان داد که روش شبکه عصبی برای تعیین مهمترین پارامترهای موثر بر تبخیروتعرق نسبت به روشهای درخت تصمیم و تحلیل عاملی کارایی بهتری دارد. در پایان بـا اسـتفاده از پارامترهـای منتخب از شبکه عصبی مصنوعی معادلات ساده و با دقت برای هر منطقه همگن استخراج شد و به عنوان نمونه برای یک ایستگاه مورد آزمون قرار گرفت .

واژه های کلیدی: تحلیل عاملی، شبکه عصبی، درخت تصمیم ، تحلیل حساسیت .

مقدمه
یکی از راههای سازگاری با کم آبی استفاده بهینه از منابع آب و افزایش بهرهوری آب است . یکی از راههای مدیریت بهینه منابع آب، شناخت پدیده تبخیروتعرق و متغیرهای موثر برآن میباشد. در ارتباط با پدیده تبخیروتعرق و پارامترهایی موثر بر آن پژوهش های زیادی انجام شده که در اینجا به برخی از آنها اشاره می شود. در تحقیقی که به وسیله ی ملکینژاد و پورمحمدی(١٣٨٩) انجام شد پارامترهای اقلیمی موثر بر تبخیروتعرق در ایران مرکزی با روش تحلیل عاملی بررسی و مشخص گردید که در هر یک از ماههای سال یکی از پارامترهای اقلیمی مورد مطالعه نقش موثرتری بر میزان تبخیر داشته است .
در این میان نقش دما، سرعت باد و میزان ابرناکی از بقیه مشهودتر بوده است . در پژوهش مذکور هم چنین پس از شناسایی عوامل اصلی موثر بر تبخیر از تشتک ، سه منطقه همگن اقلیمی در حوضه مرکزی و جنوب ایران تفکیک شد. پورمحمدی و همکاران (١٣٨٩)، نقش عوامل فیزیوگرافیکی بر روی پارامترهای اقلیمی موثر بر تبخیروتعرق در استان یزد را بررسی و نقشه تبخیروتعرق این استان را به وسیله ی معادله هارگریوز- سامانی تهیه کردند.
ترائوره و همکاران (٢٠١٠) تبخیروتعرق مرجع را با استفاده از روش شبکه عصبی بررسی و موثرترین عامل را بعد از دما، سرعت باد تعیین نمودند. سنتلهاس و همکاران (٢٠١٠) در آنتاریوی کانادا، کارایی برآورد تبخیروتعرق را به چهار روش فائو-پنمن -مانتیث ، پرستلی-تیلور، هارگریوز و تورنت وایت بررسی کردند.
نتایج نشان داد با داشتن دادههای سرعت باد، کمبود فشار بخار و تابش خالص ، فائو پنمن -مانتیث و با داشتن سرعت باد و کمبود فشار بخار، روش پرستلی -تیلور و وقتی تنها داده های دما موجود باشد، روش هارگریوز و تورنت وایت اصلاح شده در روز بهترین کارایی را خواهند داشت . گوسیس و تراجکویج (٢٠٠۵) جهت سهولت در برآورد تبخیروتعرق مرجع نرم افزاری را برای
محاسبه تبخیروتعرق تولید کردند، که تنها از دمای هوا استفاده کردند. پایه این نرم افزار معادله فائو پنمن -مانتیث بود که برای مناطق کم داده هواشناسی پیشنهاد شد. در تحقیق دیگری که به وسیله ی ژیااوتو و همکاران (٢٠١٠)در حوزه رودخانه شیانگ در شمالغربی چین انجام شد، ضریب حساسیت تبخیروتعرق مرجع ومیزان تغییرات آن در هر ماه مشخص گردید.
بسیاری از دانشمندان مانند آلن (١٩٨۶) و جنسن و همکاران (١٩٩٠) اعتبار مدل فائو- پنمن مانتیس را بررسی کردند و نتیجه گرفتند که در همه اقلیم ها فائو- پنمن مانتیس بهترین روش است . در سالهای اخیر از روش های شبکه عصبی مصنوعی و منطق فازی و یا ترکیبی از آنها برای تخمین تبخیروتعرق استفاده شده است . بروتون و همکاران (٢٠٠٠) با استفاده از شبکه های عصبی مصنوعی، تبخیر روزانه از تشتک را تخمین زدند.
نتایج نشان داد میزان تبخیر از تشتک که از روش شبکه عصبی مصنوعی محاسبه شده دارای کمترین خطا نسبت به روشهای تجربی میباشد. ادهیامبو و همکاران (٢٠٠١) نشان دادند که تبخیر- تعرق مرجع تخمین زده شده براساس مدل فازی- عصبی قابل مقایسه با تبخیر- تعرق تخمین زده شده براساس معادله فائو پنمن – مانتیث است .
کومار و همکاران (٢٠٠٢) به این نتیجه رسیدند که دقت مقادیر تبخیر- تعرق گیاهی محاسبه شده با شبکه عصبی مصنوعی بر اساس دادههای لایسیمتری بیشتر از دادههای محاسبه شده به وسیله ی رابطه
ETc= kc×ET
میباشد که در آن مقادیر ET از طریق معادله فائو پنمن – مانتیث محاسبه شده است . سادهیر و همکاران (٢٠٠٣) نشان دادهد که مدل شبکه عصبی مصنوعی با دقت نسبتا خوبی قادر به تخمین تبخیر- تعرق روزانه گیاه برنج می – باشد. تراجکویک و همکاران (٢٠٠۵) به کمک شبکه عصبی مصنوعی و با استفاده از مقادیر تبخیر تعرق ١١ و ٢٣ روز قبل موفق به برآورد تبخیر تعرق گیاه مرجع با دقت خوب و کار ایی مناسب شدند. کیسی (٢٠٠۶) توانایی تکنیک های عصبی- فازی، شبکه های عصبی مصنوعی و مدل آماری استفان استوارت را به منظور پیش بینی فرآیند تبخیر مورد بررسی قرار داد. نتایج وی نشان داد تکنیک عصبی-فازی در تخمین تبخیر از توانمندی بالاتری برخوردار است .
زانتی و همکاران (٢٠٠٧) از داده های ورودی کمتری برای برآورد تبخیر- تعرق گیاهی از طریق شبکه عصبی مصنوعی استفاده و تبخیروتعرق را به عنوان تابعی از دمای هوا (مقادیر حداقل و حداکثر)، تابش خارج جو و ساعت آفتابی تخمین زدند که رابطه خوبی با داده های لایسیمتری و معادله فائو- پنمن – مانتیث داشت . چایوهان و شریواستاوا (٢٠٠٨) با کاهش تعداد نرون های ورودی شبکه عصبی به دو نرون حداقل و حداکثر دمای هوا در کشور هند، دریافتند که شبکه عصبی مصنوعی کمترین اختلاف را با نتایج فائو پنمن مانتیث در مقایسه با روش – های تشعشعی فائو، پنمن اصلاحی و تشت تبخیر کلاس A دارد.

تزیموپولوس و همکاران (٢٠) تبخیروتعرق با استفاده از ANFIS و روش بلانی-کریدل را مقایسه و از پارامتر دما به عنوان تنها ورودی شبکه جهت مشابهت با روش دمایی بلانی-کریدل استفاده کردند. شایاننژاد و همکاران (٢٠٠٨) تبخیروتعرق پتانسیل را از روش های رگرسیون فازی، شبکه عصبی مصنوعی و روش پنمن مانتیث تعیین و مدل رگرسیون فازی با ورودی های دمای حداقل و حداکثر، میانگین رطوبت نسبی، ساعات آفتابی و
سرعت باد را مدل برتر شناختند.
هدف از پژوهش حاضر، بررسی و شناسایی مهمترین عوامل موثر بر تبخیروتعرق مرجع در قالب مناطق همگن در شمالغرب و غرب ایران است . از دو تکنیک هوش محاسباتی یعنی شبکه عصبی مصنوعی و درخت تصمیم و هم چنین تکنیک آماری تحلیل عاملی برای برای تعیین و رتبه بندی عوامل موثر بر تبخیروتعرق مرجع و از تکیک تحلیل خوشه ای برای جداسازی مناطق همگن اقلیمی استفاده شد. سپس با استفاده از پارامتر منتخب از روش شبکه عصبی مصنوعی که بعنوان روش برتر شناخته شد، روابط ساده ولی با دقت مناسب برای هر منطقه همگن ارائه شد.
مواد و روشها
منطقه مورد مطالعه
در پژوهش حاضر از دادههای اقلیمی دراز مدت ٣۴ ایستگاه سینوپتیک و کلیماتولوژی واقع در ١٢ استان در پهنه های غربی و شمالغربی کشور شامل : استان های اردبیل ، آذربایجان غربی، آذربایجان شرقی، زنجان ، کردستان، کرمانشاه، لرستان، ایلام، مرکزی، قزوین و چهارمحال و بختیاری استفاده شد. شکل (١) محدوده
مطالعه را در این تحقیق نشان میدهد.

روش پژوهش
در گام اول ایستگاه های مناسب انتخاب و داده – های مربوط به دما، بارش، رطوبت نسبی، سرعت باد و ساعات آفتابی در هر یک از ٣۴ ایستگاه انتخابی فراهم شد. آلن (١٩٩٨) معادله فائو پنمن -مانتیث را معتبرترین روش تبخیروتعرق مرجع معرفی نمود. در این پژوهش نیز از این روش به عنوان پایه بررسی حساسیت تبخیروتعرق نسبت به عوامل اقلیمی استفاده شد . با استفاده از مقدار تبخیروتعرق برآورد شده از معادله فائو پنمن -مانتیث در هر ایستگاه، اقدام به تعیین مناطق همگن با استفاده از تکنیک تحلیل خوشه ای شد.
سپس برای تعیین مهم ترین پارامترهای اقلیمی موثر بر تبخیروتعرق مرجع در هر منطقه همگن از سه روش شبکه عصبی مصنوعی، تحلیل عاملی و رگرسیون خطی استفاده شد. به این منظور از نرم افزارهای متلب و مینی تب استفاده شد. بنابر این از ٢١ مشخصه اقلیمی موثر بر تبخیروتعرق و مورد نیاز در روش پنمن -مانتیث شامل حداقل دما، حداکثر دما، میانگین دما، ساعات آفتابی ، حداقل رطوبت ، حداکثر رطوبت ، میانگین رطوبت ، سرعت باد، گرمای نهان تبخیر، شیب منحنی فشار بخار، ضریب رطوبتی، فشار بخار اشباع، فشار واقعی فشار، کمبود فشار بخار بخار، زاویه میل خورشید، فاصله نسبی زمین تا خورشید، زاویه ساعتی غروب خورشید، تابش برون زمینی، ساعات روشنایی روز، تابش خالص ، شارگرما به داخل خاک استفاده شد.

در فرآیند تکنیک تحلیل عاملی سه متغیر مهم به صورت عامل های یک تا سه انتخاب شدند. محاسبات مربوط به این روش با نرم افزار مینی تب و هم چنین برنامه نویسی لازم در نرم افزار متلب ٣ برای دو تکنیک شبکه عصبی و درخت تصمیم انجام و اولویت عوامل اقلیمی موثر با این روشها نیز شناسایی و سه پارامتر دارای بالاترین تاثیر تعیین شدند. پس از تعیین مهم ترین عوامل موثر بر تبخیروتعرق مرجع در هر منطقه همگن اقدام به تعیین صحت و اعتبار سنجی هر یک از روشهای مورد استفاده در هر منطقه همگن شد. در نهایت با استفاده از مهمترین پارامترهای تعیین شده به کمک بهترین روش (تحلیل عاملی، شبکه عصبی، درخت تصمیم ) روابط ساده و لی با دقت بالا برای هر منطقه همگن ارائه شد. شکل (٢)مراحل مختلف انجام پژوهش را نشان میدهد.

روش فائو پنمن – مانتیث
معادله فائو پنمن -مانتیث یکی از روشهای معتبر جهت برآورد تبخیروتعرق مرجع است . در این روش پارامترهای زیادی مورد نیاز است . شکل اصلی این معادله به صورت زیر است (١):

(۱)
که در آن،ET0: تبخیروتعرق مرجع ( میلیمتر در روز)، Rn: شار تابش خالص در سطح (مگاژول بر مترمربع در روز)، G: شارگرمای خاک (مگاژول بر مترمربع در روز)، T: میانگین دمای هوای روزانه در ارتفاع ٢ متری (درجه سلسیوس)، ( es-ea): کمبود اشباع آب اشباع بر حسب کیلو پاسکال ، : شیب منحنی فشار بخار است (کیلو پاسکال بر درجه سلسیوس )، : ثابت سایکرومتری است (کیلو پاسکال بر درجه سلسیوس) و u2: سرعت باد در ارتفاع دو متری (متر بر ثانیه ) است . اجزا معادله (١) مبتنی بر داده های اقلیمی است که با استفاده از داده های دراز مدت موجود در هر یک از ایستگاه های انتخاب شده در این مطالعه محاسبه شد.

تحلیل خوشه ای
تحلیل خوشه ای یکی از روشهای آماری چند متغیره است که درصورت وجود دادههای مربوطه ، می – تواند در تعیین مناطق همگن اقلیمی بعنوان یک نگرش جدید مورد استفاده قرار گیرد. در این فرایند روش سلسه مراتبی به اجرا در آمده که در ابتدا با در نظر گرفتن هر یک از مشاهدات به عنوان یک دسته مجزا آغاز میگردد.
در مرحله اول ایستگاههایی که ویژگیهای اقلیمی آنها به هم دیگر نزدیک تر باشند (شباهت بیشتر بین متغیرهای ورودی به مدل) در یک دسته (خوشه ) قرار میگیرند.
در مرحله بعدی هر مشاهدهای که شباهت بیشتری به این دسته داشته باشد به این دسته می پیوندد و یا اینکه آن مشاهده با یکی دیگر از مشاهدات تشکیل دسته مجزایی خواهد داد. این کار تا زمانی که تمامی مشاهدات تشکیل یک دسته واحد را بدهند، ادامه خواهد یافت . بزرگترین دسته ایجاد شده شامل تمامی مشاهدات بوده که عملا هیچ ارزشی در دسته بندی نخواهد داشت .
به طور کلی هر چه به میزان شباهت افزایش داده شود، خوشه ها کوچک تر میشود. بدیهی است اگر تمتمی مشاهدات در یک خوشه در نظر گرفته شوند، همگنی و شباهت آنها بسیار ناچیزی خواهد بود. میزان همبستگی بین خوشه های ایجاد شده به صورت یک نمودار پلکانی به نام دندروگرام ۴ نمایش داده می شود.

تحلیل حساسیت عوامل موثر بر تبخیروتعرق با شبکه عصبی مصنوعی

برای شبیه سازی تبخیروتعرق از ٢١ پارامتر استفاده شد که این پارامترها با استفاده از معادله (٢) نرمالسازی و برای مدلسازی آماده شدند.

T= مقادیر نرمال شده دادههای واقع ، X= دادههای اصلی ، Xmax و Xmin بیشینه و کمینه دادههای اصلی،
Tmax و Tmin بیشینه و کمینه دادههای هدف که در اینجا به ترتیب ٠.٩ و ٠.١ است . به علت تأثیر متفاوت دادههای ورودی بر روی نرونها، در ابتدا لازم است داده – های ورودی به شبکه نرمال شوند، یعنی بین یک دامنه عددی، که معمولا صفر و یک قرار گیرند.
با توجه به بکارگیری تابع سیگموئید در لایه مخفی، از رابطه (١) که باعث میشود دادهها بین ٠.١ و ٠.٩ قرار گیرند، برای نرمالسازی استفاده شد. برای استفاده از شبکه عصبی در متلب بعد از معرفی دادهها در متلب که از نرم افزار اکسل بازخوانی میشود. ترکیب ورودی، سری دادههای ورودی و هدف و بعد از آن داده – های آموزشی و آزمایشی در محیط متلب تعیین میشود که دو سوم کل دادهها یعنی حدود ٧٠ درصد برای آموزش، ١۵ درصد برای صحت سنجی و ١۵ درصد برای آزمون انتخاب شد.
در این مطالعه از الگوریتم پیش خور پس انتشار خطا استفاده شد. برای آموزش شبکه از بردارهای مختلفی استفاده شد در ابتدا هر یک از پارامترها به صورت جداگانه وارد مدلسازی شدند که پس از تعیین سه پارامتر موثر ( با توجه به بالا بودن ضریب همبستگی بالا و پایین بودن RMSE)، هر سه پارامتر با هم به عنوان ورودی به مدل معرفی شدند.
تحلیل حساسیت عوامل موثر بر تبخیروتعرق با درخت تصمیم
درخت تصمیم گیری یکی دیگر از ابزارهای دسته بندی و پیش بینی متغیرها میباشد. درخت تصمیم عصبی دادههای ورودی و خروجی را پردازش کرده و به تولید قانون میپردازد، یعنی درخت تصمیم گیری پیش بینی خود را در قالب یک سری قوانین توضیح میدهد (هند و همکاران ٢٠٠١). در حالیکه در شبکه های عصبی مصنوعی تنها پیش بینی نهایی بیان میشود و چگونگی آن در خود شبکه پنهان باقی میماند. الگوریتم درخت تصمیم گیری با انتخاب آزمونی شروع میشود که بهترین

نشریه پژوهش آب در کشاورزی . ب . جلد ٢٨ . شماره ١ . ١٣٩٣ . ١۴٣ جداسازی را برای دسته ها انجام دهد. مهم ترین هدف از انجام دسته بندی، به دست آوردن مدلی برای پیش بینی می باشد. بدین منظور از مجموعه ای از دادهها به نام
“دادههای آموزشی” که شامل متغیرها و رکوردها است ، استفاده میشود. در مراحل بعدی، همین کار برای گرهای پایین تر با دادههای کمتر صورت میگیرد تا بهترین قانون – ها حاصل شود.
سرانجام درخت آنقدر بزرگ میشود تا دیگر نتوان جداسازی بهتری برای دادههای گره انجام داد. در این مرحله باید اثربخشی درخت ایجاد شده اندازهگیری شود. برای اینکار از یک مجموعه ی رکوردها یا دادههای آزمایشی استفاده میشود که متفاوت با دادههای اولیه ای که درخت را ایجاد کردهاند، میباشد. معیاری که اندازه – گیری میشود عبارت از درصد دادههایی است که به طور صحیح دسته بندی میشوند و دسته ی پیش بینی شده با دسته ی واقعی آنها یکسان است .
به طورکلی میتوان مزایای استفاده از روش درخت تصمیم نسبت به سایر تکنیک های داده کاوی را به شرح زیر بیان نمود، این مدل به طور مستقیم با متغیرهای پیش بینی کننده مرتبط میباشد بنابراین نتایج مدل برای فهمیدن و شبیه سازی آسان هستند، درخت های تصمیم – گیری غیر پارامتریک بوده و هیچ دخالتی از سوی کاربر بر روی آنها صورت نمی گیرد و قانونهای به دست آمده در آن راحت تر درک میشود. خروجی مدل از دقت بالایی برخوردار است که میتوان آن را با سایر مدلها مقایسه کرد (اوهیامبو و همکاران، (٢٠٠١)).
تحلیل حساسیت عوامل موثر بر تبخیروتعرق با روش تحلیل عاملی
تکنیک تحلیل عاملی از جمله روشهای آمار ی چند متغیره است که هدف اساسی در آن توصیف مجموعه ای از p متغیر x1،x2، و….و xp بر حسب تعداد کمتری از شاخص ها و عوامل ، به منظور روشن کردن رابطه بین این متغیرها میباشد. در این روش هر چند مقدار هم بستگی داخلی بین متغییر ها نزدیک تر باشد تعداد عامل های پدید آمده کمتر خواهد بود. در تجزیه و تحلیل رگرسیون چندگانه رابطه عددی بیش از دو متغیر را در یک زمان میتوان بررسی نمود ولی با افزایش تعداد متغیرها، معادله رگرسیون چندگانه بطور فزاینده ای غیر قابل کنترل میگردد ولی این مشکل در تجزیه و تحلیل عاملی وجود ندارد و ضمنا اهمیت و وزن هر عامل نشان داده میشود. برای انجام تحلیل عاملی مراحل استاندارد سازی داده ها ، تعیین ماتریس وزن عامل ها۵ ،انتخاب تعداد عامل ها و دوران عامل ها۶ انجام می شود.
برای تحلیل عاملی مشخصه های اقلیمی مورد مطالعه و تعیین عوامل موثر بر تبخیروتعرق از تکنیک مولفه های اصلی و از دوران نوع “واریماکس ” استفاده شد.
با انجام تحلیل عاملی، سه عامل که در هر یک از آنها یکی از پارامترهای اقلیمی نقش مهمتری دارد مشخص گردید.
در این روش ٢١ مشخصه اقلیمی در سه عامل گروه بندی شد و از بین مشخصه های قرار گرفته در هر عامل ، مشخصه دارای بیشترین وزن تعیین شد.

محاسبه میزان میانگین مربعات خطا
آماره RMSE یا مقدار جذر میانگین مربعات خطا، بیانگر میزان خطای برآورد متغیرها نسبت به مقدار مشاهداتی است که بر اساس ریشه مربعات خطا مورد محاسبه قرار می گیرد و فرمول آن به شرح زیر است (٢) :

که در این معادله ETPM مقدار تبخیروتعرق محاسبه شده به روش پنمن – مانتیث برای هر ماه در هر ایستگاه ، ETes مقدار تبخیروتعرق برآورد شده با استفاده از مدل های استخراج شده و n تعداد داده ها میدهد.

محاسبه میزان خطای مطلق
آماره MAE یا میانگین خطای مطلق از فرمول زیر قابل محاسبه است :

مقدار قدر مطلق اختلاف مقادیر برآورد شده و مشاهده ای را نشان می دهد. هر چه مقدار این دو آماره کوچکتر باشد به معنای این است که خطای برآورد مقدار تبخیر وتعرق روزانه از روابط بدست آمده کمتر می باشد

این فقط قسمتی از متن مقاله است . جهت دریافت کل متن مقاله ، لطفا آن را خریداری نمایید
word قابل ویرایش - قیمت 12700 تومان در 22 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