مقاله شبیه سازی تبخیر- تعرق مرجع با استفاده از مدلهای ماشین بردار پشتیبان و M۵ در اقلیم مدیترانه ای مطالعه موردی : ایستگاههای هواشناسی کوار و درودزن در سالهای ١٣۶۶ تا ١٣٩٠

word قابل ویرایش
17 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 ***

شبیه سازی تبخیر- تعرق مرجع با استفاده از مدلهای ماشین بردار پشتیبان و M۵ در اقلیم مدیترانه ای مطالعه موردی : ایستگاههای هواشناسی کوار و درودزن در سالهای ١٣۶۶ تا ١٣٩٠

چکیده
در محاسبات نیاز آبی گیاهان اساسی ترین پارامتر تبخیر- تعرق است . این پارامتر برای جلوگیری از تنش آبی به گیاه در مراحل مختلف رشد آن، محاسبه می شود. در این مقاله با استفاده از داده های هواشناسی شامل میانگین دمای هوا، میانگین رطوبت نسبی ، تابش خورشیدی و سرعت باد در ایستگاههای هواشناسی کوار در حوضه مهارلو و درودزن در حوضه رود کر در سالهای ١٣۶۶ تا ١٣٩٠ استفاده شد. محاسبات با استفاده از روش فائو- پنمن – مانتیث ، و روشهای هوشمند ماشین بردار پشتیبان و مدل درختی M۵ انجام گرفت . نتایج به دست آمده نشان داد که مدل M۵ با ضریب تبیین ٠.٩٩ و خطای میانگین مجذور مربعات ١١.٣٧٧ در ایستگاه هواشناسی کوار و با ضریب تبیین ٠.٩٨۴ و خطای میانگین مجذور مربعات ١٧.۴٠١ در ایستگاه هواشناسی درودزن بهترین نتایج را در برآورد تبخیر- تعرق مرجع دارد. با توجه به شاخص های آماری و تحلیل نتایج به دست آمده از این پژوهش مشاهده می گردد که روشهای هوش مصنوعی نتایج مناسبی در شبیه سازی تبخیر- تعرق مرجع دارند. در حالت کلی برای تمامی سناریوهای مدلسازی مدل درختی M۵ عملکرد بهتری در برآورد تبخیر- تعرق مرجع با استفاده از پارامترهای هواشناسی نسبت به ماشین بردار پشتیبان دارد.
واژههای کلیدی : تبخیر- تعرق مرجع ، درودزن، کوار، ماشین بردار پشتیبان، مدل درختی M۵.

١. مقدمه
تبخیر- تعرق نشان دهنده تلفات آب از سطح زمین است که طی دو فرآیند جداگانه صورت می گیرد (تبخیر از سطح خاک و تعرق توسط گیاه). برای مصرف بهینه در آبیاری، اولین و اساسی ترین گام تعیین هر چه دقیق تر نیاز آبی گیاهان است ،که این کار معمولا از طریق محاسبه تبخیر- تعرق پتانسیل و ضرب نتیجه به دست آمده در ضریب گیاهی مربوط انجام می شود (علیزاده، ١٣٨٧). شاتل ورس ١ (١٩٩٣) روش هارگریوز را برای مناطقی که برخی از داده ها در دسترس نیستند و امکان استفاده از روش پنمن -فائو ناست ، توصیه نموده است . سازمان خاروبار جهانی (FAO) توصیه کرده است که برای محاسبه تبخیر- تعرق مرجع از پارامترهای ارائه شده توسط آلن ٢ و همکاران (١٩٨٩) در معادله پنمن مانتیث استفاده شود.
محققین بسیاری در سراسر دنیا روش فائو پنمن – مانتیث را در مقایسه با لایسیمتر به عنوان دقیق ترین روش برای برآورد تبخیر- تعرق گیاه مرجع معرفی نمودهاند، بنابراین در این تحقیق از روش فائو پنمن – مانتیث به عنوان روش مبنا مورد استفاده قرار گرفته است (نادری و علیزاده، ١٣٧٨؛ سوری و معاضد، ١٣٨۴؛ جنسن ٣ و همکاران، ١٩٩٠؛ کومار۴ و همکاران، ٢٠٠١). در تحقیقی که برای اولین بار جهت مدل کردن پدیده تبخیر- تعرق مرجع بکار برده شد، نتایج حاصل از ANFIS با روشهای تجربی پنمن ، هارگریوز، ریچی ، CIMS و شبکه عصبی مصنوعی مقایسه گردید و نتایج نشان داد که توانایی روش عصبی – فازی در مدل سازی پدیده تبخیر- تعرق مرجع بیشتر است (کیشی ۵، ٢٠٠۶ و٢٠٠٧).
شایان نژاد و همکاران (١٣٨۶) با استفاده از اطلاعات ۵ ساله اقلیمی و لایسیمتری ایستگاه اکباتان همدان تبخیر- تعرق را به سه روش رگرسیون فازی، شبکه های عصبی مصنوعی و روش فائو پنمن مانتیث محاسبه و با دادههای حاصل از لایسیمتر مقایسه و بیان داشتند که روش رگرسیون فازی با ضریب تبیین ٠.٨٨ و مجذور میانگین مربعات خطا برابر با ٠.٧۴ میلیمتر بر روز نتایج بهتری را به دست می دهد. ستاری و همکاران (١٣٩٢) جهت برآورد تبخیر- تعرق گیاه مرجع ، در منطقه بناب واقع در استان آذربایجانشرقی ، با استفاده از دادههای هواشناسی از دو مدل M۵ و شبکه عصبی مصنوعی استفاده کردند که هر دو مدل را مناسب ارزیابی کردند اما مدل شبکه عصبی مصنوعی را نسبت به M۵ دقیق تر دانستند و به روابط ساده خطی و قابل فهم آن اشاره نمودند.
پال و دسوال ۶ (٢٠٠٩) مدل درختی M۵ مبتنی بر روش رگرسیونی را جهت محاسبه تبخیر- تعرق گیاه مرجع با ۴ ورودی تابش ، میانگین دمای هوا، میانگین رطوبت نسبی و میانگین سرعت باد را آزمودند و به کارایی آن در محاسبه تبخیر– تعرق اشاره کردند. کیشی و جیمن ٧ (٢٠٠٩) با استفاده از دادههای هواشناسی روزانه ٣ ایستگاه کارایی مدل ماشین بردار پشتیبان را گزارش کردند و به دقت بیشتر این مدل به نسبت سایر روشهای تجربی اشاره کردند. لابودی ١ و همکاران (٢٠١١) برای مدلسازی تبخیر تعرق گیاه مرجع با استفاده از شبکه عصبی مصنوعی در مناطق خشک از دادههای اقلیمی محدودی استفاده کردند. نتایج نشان داد که انتخاب مناسب معماری شبکه های عصبی نه تنها خطا را به حداقل می رساند بلکه متغییرهای وابسته و مستقل اجازه حداکثر رابطه را می دهد. مقایسه بین رگرسیون خطی چندگانه و شبکه عصبی نیز نشان داد که شبکه عصبی مصنوعی با توجه به امکان بهبود معیارهای عملکرد، کارایی بالاتری دارد. ترائوره و گوون ٢ (٢٠١١) فرمولهای جبری جدیدی از تبخیر و تعرق را بر اساس برنامه ریزی ژنتیک در نواحی خشک آفریقای غربی توسعه دادند. نتایج نشان داد از آنجایی که مدلسازی و پیش بینی با برنامه ریزی ژنتیک بدون رجوع به مجموعه کاملی از دادههای هواشناسی و با این مزیت که به سهولت فرمول جبری ساده برای تبخیرتعرق ارائه می دهد، از دقت کافی برای برآورد ET0 در مناطق جنوب صحرای آفریقا برخوردار است . جهانبانی و الشفیعی ٣ (٢٠١١) کاربرد شبکه عصبی مصنوعی در برآورد سریهای زمانی تبخیرتعرق ماهانه با استفاده از دمای حداقل و حداکثر بررسی نمودند. در این تحقیق آنها از معادلات پنمن مانتیث و هارگریوز- سامانی نیز استفاده نموده و نتایج را با روش شبکه عصبی مصنوعی مقایسه کردند. نتایج حاصل نشان داد که مدلANN روشی موفق با سطح قابل توجهی از دقت برای پیش بینی ET0 روزانه با استفاده از دمای حداقل و حداکثر است . کیشی (٢٠١١) تبخیرتعرق مرجع را با استفاده از مدل رگرسیون موجک مدلسازی کرد و نتایج به دست آمده را با روشهای مبتنی بر دادههای اقلیمی مقاسیه نمود.
مدل رگرسیونی موجک در مقایسه با روشهای پنمن ، هارگریوز، ریچی و تورک نتایج بهتری را در مدلسازی ET0 روزانه به دست می دهد. طبری و همکاران (٢٠١٢) جهت محاسبه تبخیر- تعرق پتانسیل روشهای هوشمندی چون SVM،ANFIS ،MLR و MNLR را در منطقه ای نیمه خشک به کار بردند. علاوه بر مدلهای هوشمند آنها از ٨ معادله مبتنی بر تابش و ۴ معادله مبتنی بر دما نیز بهره جستند و در نهایت روشهای هوشمند و معادلات تجربی به کار برده شده را با روش معمول فائو مقایسه کردند؛ در این مقایسه مدل SVM و ANFIS برتری خود را در کل منطقه مطالعاتی نسبت به سایر روشها نشان دادند. کیشی (٢٠١٣) مدل LSSVM را در مدلسازی تبخیر-تعرق گیاه مرجع با استفاده از دادههای روزانه هواشناسی شامل تابش خورشید، دمای هوا، رطوبت نسبی و سرعت باد به عنوان داده ورودی به مدل، در دو ایستگاه گلندیل و آکسفورد واقع در جنوب کالیفرنیا ارزیابی نمود. او پس از اذعان موفقیت مدل در برآورد نتیجه روش پنمن -مانتیث ، نتیجه این مدل را با سایر روابط تجربی چون پریستلی -تیلور، هارگوریوز و ریچی مقایسه کرد که در این مقایسه مدل LSSVM موفق ارزیابی شد. ستاری و همکاران (٢٠١٣) شبکه عصبی مصنوعی و مدل M۵ را در برآورد تبخیر- تعرق گیاه مرجع مقایسه نمودند و به کارایی و دقت بالای هر دو مدل در برآورد تبخیر- تعرق گیاه مرجع اشاره کردند. با توجه به این که هدف برآورد مقدار ET0 از روش پنمن -مانتیث فائو بود، مدل شبکه عصبی با اختلاف کمتر به عنوان مدل مناسب تر برگزیده شد. رحیمی خوب و همکاران (٢٠١٣) جهت محاسبه تبخیر-تعرق گیاه مرجع با استفاده از تبخیر- تعرق پتانسیل و ضریب تشت تبخیر در منطقه نیمه خشک خوزستان از مدل درختی M۵ و روشهای مرسوم استفاده کردند و نشان دادند که این مدل بهترین مدل برای به دست آوردن تبخیر- تعرق پتانسیل در کل منطقه است . رحیمی خوب (٢٠١۴) جهت بررسی تبخیر- تعرق گیاه مرجع ، کارایی مدل درختی M۵ و شبکه عصبی مصنوعی را در ۴ ایستگاه از منطقه ای خشک ارزیابی نمود. نتایج نشان داد با وجود مناسب بودن هر دو مدل، شبکه عصبی مصنوعی در تعیین تبخیر- تعرق گیاه مرجع کارامد تر از مدل درختی M5 بوده است .
امروزه استفاده از روشهای هوشمند در پیش بینی های عوامل و پارامترهای گوناگون آبی استفاده می گردد. با توجه به اینکه دو روش مدلهای ماشین بردار پشتیبان و درختی M5 در پیش بینی تبخیر- تعرق به صورت گستردهای در ایران بکار نرفته است و همچنین تبخیر- تعرق به روش هوشمند در اقلیم مدیترانه ای مورد مطالعه قرار نگرفته است ، بنابراین نیاز به مطالعه و بررسی موضوع حاضر احساس می گردد. هدف از این تحقیق ارزیابی توانایی مدلهای ماشین بردار پشتیبان و درختی M۵ در شبیه سازی تبخیر- تعرق مرجع در اقلیم مدیترانه ای است . برای این منظور از دادههای ایستگاههای هواشناسی کوار واقع در حوضه دریاچه مهارلو و ایستگاه درودزن واقع در دشت مرودشت در حوضه رود کر که هر دو ایستگاه دارای شرایط آب و هوایی مدیترانه ای هستند، استفاده شد.
٢. منطقه مورد مطالعه
شهرستان کوار در استان فارس در فاصله ۴۵ کیلومتری جنوب شرقی شیراز قرار دارد. ایستگاه هواشناسی کوار واقع در حوضه دریاچه مهارلو، در دشت شیراز است . این منطقه با ارتفاع ١۶٣٩ متر از سطح دریا، میانگین بارندگی ۴٨٠ میلیمتر در این ایستگاه، دارای آب و هوای مدیترانه ای است .
همچنین منطقه درودزن واقع در دشت مرودشت در حوضه رود کر، در فاصله ١٠٠ کیلومتری شهر شیراز (مرکز استان فارس) دارای ١۶٢۵متر از سطح دریا است که با میانگین بارندگی سالانه ۴٧٠ میلیمتر دارای آب و هوای مدیترانه ای است (شکل ١).

شکل ١. نقشه جانمایی ایستگاههای مورد مطالعه در استان فارس
با توجه به نیاز به دادههای طولانی مدت هواشناسی برای بررسی تبخیر- تعرق، در این تحقیق از آمار ٢۵ ساله ایستگاههای هواشناسی کوار و درودزن، از سالهای ١٣۶۶ تا ١٣٩٠ استفاده شده است . لذا داشتن دادههای مناسب و کافی برای مدلسازی تبخیر- تعرق گیاه مرجع یکی از دلایل انتخاب این سالها در مطالعه حاضر است .
٣. روش تحقیق
٣. ١. روش فائو- پنمن – مانتیث
از معادله فائو- پنمن – مانتیث به عنوان رابطه استاندارد برای محاسبه تبخیر- تعرق که از سوی فائو ارائه شده است ، استفاده شد و معادله آن به شرح زیر است :

∆ شیب منحنی فشار بخار، Rn تابش خالص در سطح پوشش گیاهی ، G شار گرمایی به داخل خاک، ضریب رطوبتی ، ea و ed به ترتیب فشار بخار اشباع و فشار بخار واقعی ،T دمای هوا در ارتفاع ٢ متری از سطح زمین ، ٢ Uسرعت باد در ارتفاع ٢ متری است . شار گرما به داخل خاک با توجه به شرایط استاندارد ایستگاه هواشناسی که پوشش کامل صورت گرفته است (۰=G)، (علیزاده، ١٣٨٧).
٣. ٢. ماشین بردار پشتیبان (SVM)
ماشین بردار پشتیبان (SVM) به عنوان ابزاری برای رگرسیون اولین بار توسط وپنیک معرفی شد (وپنیک، ١٩٨٨). این مدل که از روشهای یادگیری با نظارت است ؛ بر اصل استقرایی کمینه سازی خطای ساختاری استوار است .
یادگیری تحت نظارت یک روش عمومی در یادگیری ماشین است که در آن به سامانه ، مجموعه جفت های ورودی و خروجی داده می شود و باتوجه به دادهها مدل تلاش می کند تا تابعی از ورودی به خروجی فراگیرد. در این مدل سعی بر آن است که یک سطح چند بعدی در فضای دادههای اصلی با جداسازی یک مجموعه دادههای آموزشی صحیح دارد و بیشترین فاصله ممکن را از نزدیکترین نمونه ها به هر دو طرف ابر صفحه ایجاد می کند. در برآورد رگرسیونی به نقطه های ایجاد کننده مرز ماکزیمم بردار پشتیبان گفته می شود. در واقع این بردار ها همان تابع تقریب زده شده است که از دادههای آموزشی حاصل شده است .
در این مدل علاوه بر کمینه سازی از خطای تجربی از یک عامل هموارساز استفاده می شود.
شکل (٢) تخمین شماتیکی از رابطه بین دادههای موجود (دایرههای سیاه و سفید) که در یک فضای یک بعدی توسط تابع خطی f انجام پذیرفته نشان می دهد. همان طور که در شکل ملاحظه می شود، استفاده از تابع خطای مذکور باعث شده تا اختلاف کمی که بین مقادیر تخمینی (توسط تابع ) و مقادیر اندازهگیری شده y وجود دارد، (دایرههای سیاه رنگ ) مطابق تابع خطای ذکر شده، ه عنوان خطا در نظر گرفته شود.

شکل ٢. تخمین شماتیک بین دادههای تحقیق
٣. ٣. مدل درختی M5
کوین لان اولین بار این الگوریتم را در سال ١٩٩٢ مطرح کرد. الگوریتم M5 از معمولترین درختان تصمیم گیری برای دسته بندی است . مزیت مدل درختی M5 نسبت به رگرسیون درختی ، مؤثر بودن در دادههای بزرگ و دارا بودن دقت بیشتر است (پال و دسال، ٢٠٠٩). این دقت معادل دقت شبکه عصبی و دقتی بیش از درختان تصمیمی همانند کارت است . اساس این مدل بر پایه تصمیم و غلبه کردن استوار است و هدف در آن، کار با رگرسیون خطی و تشکیل مقادیر پیش بینی شده نهایی در برگ ها است .
گرههای این درخت بر اساس حداقل خطای انحراف معیار تعیین می شوند (شکل ٣).

شکل ٣. ساختار سلسله مرا
مدل رگرسیونگیری درختی دو مرحله را شامل می شود: الف ) استفاده از یک معیار دسته بندی برای ایجاد درخت تصمیم . این معیار بر اساس عملکرد انحراف استاندارد به ازای هر کلاس که در هر گره به دست آمده است ، تعیین می شود. رابطه زیر جهت محاسبه کاهش انحراف استاندارد ارائه شده است :

که در رابطه فوق T نشان دهنده مجموعه ای از نمونه ها که به هر گره وارد شدهاند و sd انحراف استاندارد دادههای ورودی است . گرههای فرزند به علت انحراف معیار کمتر دارای دقت بیشتری نسبت به گرههای والد هستند.
ب) هرس درخت کاملا رشد یافته : پس از انجام دسته بندیها، مدل حداقل خطای مورد انتظار به عنوان گزینه برتر ارائه می شود. بدین منظور ساختار بزرگ درختی ایجاد تبی مدل درختی M۵ شده باید هرس شود، تا مدل با پیچیدگی تحلیل مواجه نشود.
از جمله راهحل های هرس، جایگزینی زیرشاخه ها با برگهاست . پس یک مدل درختی را می توان ترکیبی از مدلهای چند تکه ای خطی دانست که هرکدام برای یک محدوده خاصی از دادههای ورودی مناسب هستند (شکل .(۴

این فقط قسمتی از متن مقاله است . جهت دریافت کل متن مقاله ، لطفا آن را خریداری نمایید
word قابل ویرایش - قیمت 12700 تومان در 17 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