بخشی از مقاله

*** اين فايل شامل تعدادي فرمول مي باشد و در سايت قابل نمايش نيست ***

شبيه سازي تبخير- تعرق مرجع با استفاده از مدلهاي ماشين بردار پشتيبان و M٥ در اقليم مديترانه اي مطالعه موردي : ايستگاههاي هواشناسي کوار و درودزن در سالهاي ١٣٦٦ تا ١٣٩٠

چکيده
در محاسبات نياز آبي گياهان اساسي ترين پارامتر تبخير- تعرق است . اين پارامتر براي جلوگيري از تنش آبي به گياه در مراحل مختلف رشد آن، محاسبه مي شود. در اين مقاله با استفاده از داده هاي هواشناسي شامل ميانگين دماي هوا، ميانگين رطوبت نسبي ، تابش خورشيدي و سرعت باد در ايستگاههاي هواشناسي کوار در حوضه مهارلو و درودزن در حوضه رود کر در سالهاي ١٣٦٦ تا ١٣٩٠ استفاده شد. محاسبات با استفاده از روش فائو- پنمن - مانتيث ، و روشهاي هوشمند ماشين بردار پشتيبان و مدل درختي M٥ انجام گرفت . نتايج به دست آمده نشان داد که مدل M٥ با ضريب تبيين ٠.٩٩ و خطاي ميانگين مجذور مربعات ١١.٣٧٧ در ايستگاه هواشناسي کوار و با ضريب تبيين ٠.٩٨٤ و خطاي ميانگين مجذور مربعات ١٧.٤٠١ در ايستگاه هواشناسي درودزن بهترين نتايج را در برآورد تبخير- تعرق مرجع دارد. با توجه به شاخص هاي آماري و تحليل نتايج به دست آمده از اين پژوهش مشاهده مي گردد که روشهاي هوش مصنوعي نتايج مناسبي در شبيه سازي تبخير- تعرق مرجع دارند. در حالت کلي براي تمامي سناريوهاي مدلسازي مدل درختي M٥ عملکرد بهتري در برآورد تبخير- تعرق مرجع با استفاده از پارامترهاي هواشناسي نسبت به ماشين بردار پشتيبان دارد.
واژههاي کليدي : تبخير- تعرق مرجع ، درودزن، کوار، ماشين بردار پشتيبان، مدل درختي M٥.

١. مقدمه
تبخير- تعرق نشان دهنده تلفات آب از سطح زمين است که طي دو فرآيند جداگانه صورت مي گيرد (تبخير از سطح خاک و تعرق توسط گياه). براي مصرف بهينه در آبياري، اولين و اساسي ترين گام تعيين هر چه دقيق تر نياز آبي گياهان است ،که اين کار معمولا از طريق محاسبه تبخير- تعرق پتانسيل و ضرب نتيجه به دست آمده در ضريب گياهي مربوط انجام مي شود (عليزاده، ١٣٨٧). شاتل ورس ١ (١٩٩٣) روش هارگريوز را براي مناطقي که برخي از داده ها در دسترس نيستند و امکان استفاده از روش پنمن -فائو ناست ، توصيه نموده است . سازمان خاروبار جهاني (FAO) توصيه کرده است که براي محاسبه تبخير- تعرق مرجع از پارامترهاي ارائه شده توسط آلن ٢ و همکاران (١٩٨٩) در معادله پنمن مانتيث استفاده شود.
محققين بسياري در سراسر دنيا روش فائو پنمن - مانتيث را در مقايسه با لايسيمتر به عنوان دقيق ترين روش براي برآورد تبخير- تعرق گياه مرجع معرفي نمودهاند، بنابراين در اين تحقيق از روش فائو پنمن - مانتيث به عنوان روش مبنا مورد استفاده قرار گرفته است (نادري و عليزاده، ١٣٧٨؛ سوري و معاضد، ١٣٨٤؛ جنسن ٣ و همکاران، ١٩٩٠؛ کومار٤ و همکاران، ٢٠٠١). در تحقيقي که براي اولين بار جهت مدل کردن پديده تبخير- تعرق مرجع بکار برده شد، نتايج حاصل از ANFIS با روشهاي تجربي پنمن ، هارگريوز، ريچي ، CIMS و شبکه عصبي مصنوعي مقايسه گرديد و نتايج نشان داد که توانايي روش عصبي - فازي در مدل سازي پديده تبخير- تعرق مرجع بيشتر است (کيشي ٥، ٢٠٠٦ و٢٠٠٧).
شايان نژاد و همکاران (١٣٨٦) با استفاده از اطلاعات ٥ ساله اقليمي و لايسيمتري ايستگاه اکباتان همدان تبخير- تعرق را به سه روش رگرسيون فازي، شبکه هاي عصبي مصنوعي و روش فائو پنمن مانتيث محاسبه و با دادههاي حاصل از لايسيمتر مقايسه و بيان داشتند که روش رگرسيون فازي با ضريب تبيين ٠.٨٨ و مجذور ميانگين مربعات خطا برابر با ٠.٧٤ ميليمتر بر روز نتايج بهتري را به دست مي دهد. ستاري و همکاران (١٣٩٢) جهت برآورد تبخير- تعرق گياه مرجع ، در منطقه بناب واقع در استان آذربايجانشرقي ، با استفاده از دادههاي هواشناسي از دو مدل M٥ و شبکه عصبي مصنوعي استفاده کردند که هر دو مدل را مناسب ارزيابي کردند اما مدل شبکه عصبي مصنوعي را نسبت به M٥ دقيق تر دانستند و به روابط ساده خطي و قابل فهم آن اشاره نمودند.
پال و دسوال ٦ (٢٠٠٩) مدل درختي M٥ مبتني بر روش رگرسيوني را جهت محاسبه تبخير- تعرق گياه مرجع با ٤ ورودي تابش ، ميانگين دماي هوا، ميانگين رطوبت نسبي و ميانگين سرعت باد را آزمودند و به کارايي آن در محاسبه تبخير– تعرق اشاره کردند. کيشي و جيمن ٧ (٢٠٠٩) با استفاده از دادههاي هواشناسي روزانه ٣ ايستگاه کارايي مدل ماشين بردار پشتيبان را گزارش کردند و به دقت بيشتر اين مدل به نسبت ساير روشهاي تجربي اشاره کردند. لابودي ١ و همکاران (٢٠١١) براي مدلسازي تبخير تعرق گياه مرجع با استفاده از شبکه عصبي مصنوعي در مناطق خشک از دادههاي اقليمي محدودي استفاده کردند. نتايج نشان داد که انتخاب مناسب معماري شبکه هاي عصبي نه تنها خطا را به حداقل مي رساند بلکه متغييرهاي وابسته و مستقل اجازه حداکثر رابطه را مي دهد. مقايسه بين رگرسيون خطي چندگانه و شبکه عصبي نيز نشان داد که شبکه عصبي مصنوعي با توجه به امکان بهبود معيارهاي عملکرد، کارايي بالاتري دارد. ترائوره و گوون ٢ (٢٠١١) فرمولهاي جبري جديدي از تبخير و تعرق را بر اساس برنامه ريزي ژنتيک در نواحي خشک آفريقاي غربي توسعه دادند. نتايج نشان داد از آنجايي که مدلسازي و پيش بيني با برنامه ريزي ژنتيک بدون رجوع به مجموعه کاملي از دادههاي هواشناسي و با اين مزيت که به سهولت فرمول جبري ساده براي تبخيرتعرق ارائه مي دهد، از دقت کافي براي برآورد ET0 در مناطق جنوب صحراي آفريقا برخوردار است . جهانباني و الشفيعي ٣ (٢٠١١) کاربرد شبکه عصبي مصنوعي در برآورد سريهاي زماني تبخيرتعرق ماهانه با استفاده از دماي حداقل و حداکثر بررسي نمودند. در اين تحقيق آنها از معادلات پنمن مانتيث و هارگريوز- ساماني نيز استفاده نموده و نتايج را با روش شبکه عصبي مصنوعي مقايسه کردند. نتايج حاصل نشان داد که مدلANN روشي موفق با سطح قابل توجهي از دقت براي پيش بيني ET0 روزانه با استفاده از دماي حداقل و حداکثر است . کيشي (٢٠١١) تبخيرتعرق مرجع را با استفاده از مدل رگرسيون موجک مدلسازي کرد و نتايج به دست آمده را با روشهاي مبتني بر دادههاي اقليمي مقاسيه نمود.
مدل رگرسيوني موجک در مقايسه با روشهاي پنمن ، هارگريوز، ريچي و تورک نتايج بهتري را در مدلسازي ET0 روزانه به دست مي دهد. طبري و همکاران (٢٠١٢) جهت محاسبه تبخير- تعرق پتانسيل روشهاي هوشمندي چون SVM،ANFIS ،MLR و MNLR را در منطقه اي نيمه خشک به کار بردند. علاوه بر مدلهاي هوشمند آنها از ٨ معادله مبتني بر تابش و ٤ معادله مبتني بر دما نيز بهره جستند و در نهايت روشهاي هوشمند و معادلات تجربي به کار برده شده را با روش معمول فائو مقايسه کردند؛ در اين مقايسه مدل SVM و ANFIS برتري خود را در کل منطقه مطالعاتي نسبت به ساير روشها نشان دادند. کيشي (٢٠١٣) مدل LSSVM را در مدلسازي تبخير-تعرق گياه مرجع با استفاده از دادههاي روزانه هواشناسي شامل تابش خورشيد، دماي هوا، رطوبت نسبي و سرعت باد به عنوان داده ورودي به مدل، در دو ايستگاه گلنديل و آکسفورد واقع در جنوب کاليفرنيا ارزيابي نمود. او پس از اذعان موفقيت مدل در برآورد نتيجه روش پنمن -مانتيث ، نتيجه اين مدل را با ساير روابط تجربي چون پريستلي -تيلور، هارگوريوز و ريچي مقايسه کرد که در اين مقايسه مدل LSSVM موفق ارزيابي شد. ستاري و همکاران (٢٠١٣) شبکه عصبي مصنوعي و مدل M٥ را در برآورد تبخير- تعرق گياه مرجع مقايسه نمودند و به کارايي و دقت بالاي هر دو مدل در برآورد تبخير- تعرق گياه مرجع اشاره کردند. با توجه به اين که هدف برآورد مقدار ET0 از روش پنمن -مانتيث فائو بود، مدل شبکه عصبي با اختلاف کمتر به عنوان مدل مناسب تر برگزيده شد. رحيمي خوب و همکاران (٢٠١٣) جهت محاسبه تبخير-تعرق گياه مرجع با استفاده از تبخير- تعرق پتانسيل و ضريب تشت تبخير در منطقه نيمه خشک خوزستان از مدل درختي M٥ و روشهاي مرسوم استفاده کردند و نشان دادند که اين مدل بهترين مدل براي به دست آوردن تبخير- تعرق پتانسيل در کل منطقه است . رحيمي خوب (٢٠١٤) جهت بررسي تبخير- تعرق گياه مرجع ، کارايي مدل درختي M٥ و شبکه عصبي مصنوعي را در ٤ ايستگاه از منطقه اي خشک ارزيابي نمود. نتايج نشان داد با وجود مناسب بودن هر دو مدل، شبکه عصبي مصنوعي در تعيين تبخير- تعرق گياه مرجع کارامد تر از مدل درختي M5 بوده است .
امروزه استفاده از روشهاي هوشمند در پيش بيني هاي عوامل و پارامترهاي گوناگون آبي استفاده مي گردد. با توجه به اينکه دو روش مدلهاي ماشين بردار پشتيبان و درختي M5 در پيش بيني تبخير- تعرق به صورت گستردهاي در ايران بکار نرفته است و همچنين تبخير- تعرق به روش هوشمند در اقليم مديترانه اي مورد مطالعه قرار نگرفته است ، بنابراين نياز به مطالعه و بررسي موضوع حاضر احساس مي گردد. هدف از اين تحقيق ارزيابي توانايي مدلهاي ماشين بردار پشتيبان و درختي M٥ در شبيه سازي تبخير- تعرق مرجع در اقليم مديترانه اي است . براي اين منظور از دادههاي ايستگاههاي هواشناسي کوار واقع در حوضه درياچه مهارلو و ايستگاه درودزن واقع در دشت مرودشت در حوضه رود کر که هر دو ايستگاه داراي شرايط آب و هوايي مديترانه اي هستند، استفاده شد.
٢. منطقه مورد مطالعه
شهرستان کوار در استان فارس در فاصله ٤٥ کيلومتري جنوب شرقي شيراز قرار دارد. ايستگاه هواشناسي کوار واقع در حوضه درياچه مهارلو، در دشت شيراز است . اين منطقه با ارتفاع ١٦٣٩ متر از سطح دريا، ميانگين بارندگي ٤٨٠ ميليمتر در اين ايستگاه، داراي آب و هواي مديترانه اي است .
همچنين منطقه درودزن واقع در دشت مرودشت در حوضه رود کر، در فاصله ١٠٠ کيلومتري شهر شيراز (مرکز استان فارس) داراي ١٦٢٥متر از سطح دريا است که با ميانگين بارندگي سالانه ٤٧٠ ميليمتر داراي آب و هواي مديترانه اي است (شکل ١).

شکل ١. نقشه جانمايي ايستگاههاي مورد مطالعه در استان فارس
با توجه به نياز به دادههاي طولاني مدت هواشناسي براي بررسي تبخير- تعرق، در اين تحقيق از آمار ٢٥ ساله ايستگاههاي هواشناسي کوار و درودزن، از سالهاي ١٣٦٦ تا ١٣٩٠ استفاده شده است . لذا داشتن دادههاي مناسب و کافي براي مدلسازي تبخير- تعرق گياه مرجع يکي از دلايل انتخاب اين سالها در مطالعه حاضر است .
٣. روش تحقيق
٣. ١. روش فائو- پنمن - مانتيث
از معادله فائو- پنمن - مانتيث به عنوان رابطه استاندارد براي محاسبه تبخير- تعرق که از سوي فائو ارائه شده است ، استفاده شد و معادله آن به شرح زير است :

∆ شيب منحني فشار بخار، Rn تابش خالص در سطح پوشش گياهي ، G شار گرمايي به داخل خاک، ضريب رطوبتي ، ea و ed به ترتيب فشار بخار اشباع و فشار بخار واقعي ،T دماي هوا در ارتفاع ٢ متري از سطح زمين ، ٢ Uسرعت باد در ارتفاع ٢ متري است . شار گرما به داخل خاک با توجه به شرايط استاندارد ايستگاه هواشناسي که پوشش کامل صورت گرفته است (0=G)، (عليزاده، ١٣٨٧).
٣. ٢. ماشين بردار پشتيبان (SVM)
ماشين بردار پشتيبان (SVM) به عنوان ابزاري براي رگرسيون اولين بار توسط وپنيک معرفي شد (وپنيک، ١٩٨٨). اين مدل که از روشهاي يادگيري با نظارت است ؛ بر اصل استقرايي کمينه سازي خطاي ساختاري استوار است .
يادگيري تحت نظارت يک روش عمومي در يادگيري ماشين است که در آن به سامانه ، مجموعه جفت هاي ورودي و خروجي داده مي شود و باتوجه به دادهها مدل تلاش مي کند تا تابعي از ورودي به خروجي فراگيرد. در اين مدل سعي بر آن است که يک سطح چند بعدي در فضاي دادههاي اصلي با جداسازي يک مجموعه دادههاي آموزشي صحيح دارد و بيشترين فاصله ممکن را از نزديکترين نمونه ها به هر دو طرف ابر صفحه ايجاد مي کند. در برآورد رگرسيوني به نقطه هاي ايجاد کننده مرز ماکزيمم بردار پشتيبان گفته مي شود. در واقع اين بردار ها همان تابع تقريب زده شده است که از دادههاي آموزشي حاصل شده است .
در اين مدل علاوه بر کمينه سازي از خطاي تجربي از يک عامل هموارساز استفاده مي شود.
شکل (٢) تخمين شماتيکي از رابطه بين دادههاي موجود (دايرههاي سياه و سفيد) که در يک فضاي يک بعدي توسط تابع خطي f انجام پذيرفته نشان مي دهد. همان طور که در شکل ملاحظه مي شود، استفاده از تابع خطاي مذکور باعث شده تا اختلاف کمي که بين مقادير تخميني (توسط تابع ) و مقادير اندازهگيري شده y وجود دارد، (دايرههاي سياه رنگ ) مطابق تابع خطاي ذکر شده، ه عنوان خطا در نظر گرفته شود.

شکل ٢. تخمين شماتيک بين دادههاي تحقيق
٣. ٣. مدل درختي M5
کوين لان اولين بار اين الگوريتم را در سال ١٩٩٢ مطرح کرد. الگوريتم M5 از معمولترين درختان تصميم گيري براي دسته بندي است . مزيت مدل درختي M5 نسبت به رگرسيون درختي ، مؤثر بودن در دادههاي بزرگ و دارا بودن دقت بيشتر است (پال و دسال، ٢٠٠٩). اين دقت معادل دقت شبکه عصبي و دقتي بيش از درختان تصميمي همانند کارت است . اساس اين مدل بر پايه تصميم و غلبه کردن استوار است و هدف در آن، کار با رگرسيون خطي و تشکيل مقادير پيش بيني شده نهايي در برگ ها است .
گرههاي اين درخت بر اساس حداقل خطاي انحراف معيار تعيين مي شوند (شکل ٣).


شکل ٣. ساختار سلسله مرا
مدل رگرسيونگيري درختي دو مرحله را شامل مي شود: الف ) استفاده از يک معيار دسته بندي براي ايجاد درخت تصميم . اين معيار بر اساس عملکرد انحراف استاندارد به ازاي هر کلاس که در هر گره به دست آمده است ، تعيين مي شود. رابطه زير جهت محاسبه کاهش انحراف استاندارد ارائه شده است :

که در رابطه فوق T نشان دهنده مجموعه اي از نمونه ها که به هر گره وارد شدهاند و sd انحراف استاندارد دادههاي ورودي است . گرههاي فرزند به علت انحراف معيار کمتر داراي دقت بيشتري نسبت به گرههاي والد هستند.
ب) هرس درخت کاملا رشد يافته : پس از انجام دسته بنديها، مدل حداقل خطاي مورد انتظار به عنوان گزينه برتر ارائه مي شود. بدين منظور ساختار بزرگ درختي ايجاد تبي مدل درختي M٥ شده بايد هرس شود، تا مدل با پيچيدگي تحليل مواجه نشود.
از جمله راهحل هاي هرس، جايگزيني زيرشاخه ها با برگهاست . پس يک مدل درختي را مي توان ترکيبي از مدلهاي چند تکه اي خطي دانست که هرکدام براي يک محدوده خاصي از دادههاي ورودي مناسب هستند (شکل .(4

در متن اصلی مقاله به هم ریختگی وجود ندارد. برای مطالعه بیشتر مقاله آن را خریداری کنید