بخشی از مقاله
چکیده
برآورد دقیق از بارش یک مسئله مهم در مهندسی، مدیریت و برنامهریزيمنابع آّب میباشد. در این پژوهش به منظور شبیه سازي بلند مدت بارش بدون دادههاي اقلیمی از مدلهاي شبکه عصبی مصنوعی - - ANN و سیستم فازي - عصبی تطبیقی - ANFIS - استفاده شد. براي پیش بینی بلند مدت بارش ماهانه، دادههاي 14 ایستگاه در استان خوزستان انتخاب گردید که ضریب فصلی - شماره ماه - ، عرض جغرافیایی، طول جغرافیایی و ارتفاع ایستگاهها به عنوان ورودي به مدلها معرفی شدند.
حداقل مقدار مجذور میانگین مربعات خطا و حداکثر مقادیر ضریب تبیین مدل شبکه عصبی مصنوعی براي ایستگاه رامهرمز و براي مدلهاي فازي- عصبی از نوع افراز شبکه و فازي عصبی از نوع دستهبندي تفریقی در ایستگاه امیدیه مشاهده شد که کمترین مقادیر RMSE براي مدل ANN ایستگاه رامهرمز 0/4245و براي مدلهاي ANFIS-GP و ANFIS-SC ایستگاه امیدیه به ترتیب1/1699 و 0/4105 به دست آمد.
همچنین مقادیر R2 براي مدل ANN ایستگاه رامهرمز 0/9750 و براي مدلهاي ANFIS-GP و ANFIS-SC ایستگاه امیدیه به ترتیب0/9548 و 0/9896 میباشد. همچنین مقایسه شبکههاي عصبی مصنوعی و سیستم فازي - عصبی تطبیقی نیز نشان داد که روش شبکه عصبی مصنوعی داراي معیارهاي ارزیابی مناسبتري نسبت به سیستم فازي -عصبی تطبیقی میباشد.
-1 مقدمه
مدل سازي بارش یک مسئله مهم در مهندسی، مدیریت و برنامهریزي منابع آب میباشد. اخیرا گرم شدن کره زمین توجه محققان را به خود جلب کرده است .افزایش متوسط دما در کره زمین ممکن است باعث تغییر در الگوهاي بارش، افزایش سطح آب دریا و تاثیر آنها بر زندگی گیاهان، حیات وحش و انسان گردد. به همین دلیل، اهمیت پیشبینی دما و بارش در سراسر جهان افزایش یافته است .[1]
خلیلی[2] با استفاده از شبکههاي عصبی مصنوعی، بارش ماهانه ایستگاه سینوپتیک مشهد را بررسی کرد. نتایج نشان داد که شبکههاي عصبی مصنوعی در پیشبینی بارش ماهانه از کارایی خوبی در ایستگاه مذکور برخوردارند. قلیزاد و دارند [3] پیشبینی بارش ماهانه با استفاده از شبکههاي عصبی مصنوعی در استان تهران را مورد بررسی قرار دادند.
آنها سال و تعداد ماهها را به عنوان ورودي و پارامتر میانگین بارش ماهانه را به عنوان خروجی در نظر گرفتند. نتایج نشان داد که شبکه هاي عصبی مصنوعی عملکرد بهتري نسبت به سایر مدلها دارد. حلبیان و دارند [4] از شبکههاي عصبی مصنوعی به منظور پیش-بینی بارش ماهانه اصفهان بهره گرفتند. شبکه عصبی به خوبی رابطه غیرخطی بین مقادیر بارش ماهانه راشبیه سازي نمود.
ماریا و همکاران [5] پیشبینی بارش در منطقه سائوپائولو برزیل را مطالعه کردندکه براي پیشبینی از شبکههاي عصبی مصنوعی و مدلهاي رگرسیونی استفاده نمودند و از پارامترهاي دماي پتانسیل، باد، رطوبت ویژه، دماي هوا، آب قابل بارش، چرخندگی نسبی و شار واگرایی رطوبت جهت پیشبینی بهره گرفتند. نتایج نشانداد که عملکرد هر دو روش در پیشبینی بارش مناسب میباشد.
هانگ و همکاران[6] از شبکههاي عصبی مصنوعی براي پیشبینی بارش شهر بانکوك استفاده کردند. نتایج حاکی از عملکرد مناسب مدل توسعه یافته شبکههاي عصبی مصنوعی براي پیشبینی زمان واقعی بارش و مدیریت سیلاب در بانکوك بود. شافعی و همکاران [7] پیشبینی بارش اسکندریه مصر را با استفاده از شبکههاي عصبی مصنوعی انجام دادند که مدل شبکههاي عصبی مصنوعی و مدل رگرسیون چندمتغیره را با هم مقایسه کردند. نتایج نشان داد که کارایی مدل شبکههاي عصبی مصنوعی مناسبتر و دقیقترمی-باشد.
میسلان و همکاران [8] پیشبینی بارش ماهانه را در ایستگاه تنگارنگ، شرق کالیمانتان اندونزي انجام دادند که براي پیشبینی از روش شبکه عصبی مصنوعی با الگوریتم پس انتشار استفاده کردند. نتایج پیشبینی نشان داد که روش بکارگرفته شده براي منطقه مورد مطالعه از کارایی خوبی برخوردار است. فلاح قالهري و همکاران [9] پیش-بینی بارش فصلی بر اساس الگوهاي سینوپتیکی با استفاده از سیستم استنباط فازي–عصبی تطبیقی - ANFIS - را بررسی کردند. بارش در منطقه خراسان بزرگ شامل سه استان خراسان رضوي، خراسان شمالی و خراسان جنوبی مورد بررسی قرار گرفت که نتایج نشان داد سیستم استنباط فازي –عصبی تطبیقی در 70 درصد سالها میتواند بارش را با دقت قابل قبولی پیشبینی کند.
فلاح قالهري و همکاران [10] پیشبینی بارش بهاره استان خراسان رضوي بر پایه الگوهاي سینوپتیکی پیوند از دور با بهرهگیري از سامانه استنباط فازي –عصبی تطبیقی - - ANFIS را مورد ارزیابی قرار دادند. آنها از دادههاي بارش بهاره شامل آمار و دادههاي بارش 38 ایستگاه همدیدي، اقلیمشناسی و بارانسنجی استفاده کردند. نتایج نشان داد که سیستم استنباط فازي –عصبی تطبیقی در 90 درصد سالها میتواند بارش را با دقت قابل قبولی با سطح اطمینان 10 درصد برآورد کند. پونگراچ و برثولی [11] مدلسازي بارش ماهانه با بهرهگیري از تیپهاي الگوي چرخش اتمسفري و شاخص انسو در مجارستان مطالعه کردند.
براي ایجاد ارتباط بین وروديها و بارندگی از روش مدلسازي مبتنی بر قوانین فازي استفادهکردند. نتایج نشان داد که روش مبتنی بر قوانین فازي براي پیشبینی مشخصات آماري بارندگی ماهانه مناسب میباشد. دوبی [12] مقایسه تجزیه وتحلیل عملکرد سیستم استنباط فازي –عصبی تطبیقی - ANFIS - و رگرسیون بردار پشتیبان - SVR - را براي پیشبینی بارش ماهانه مطالعه کرد. از دادههاي هواشناسی 50 سال - 2010-1960 - ایالت اوتار پرادش هند استفاده کرد که دادههاي مورد استفاده براي پیشبینی رطوبت نسبی ماهانه، فشار اتمسفر، میانگین دما و سرعت باد بوده است.
در این مطالعه، مشاهده شدهاست که سیستم استنتاج فازي –عصبی با استفاده از روش ترکیبی بهینهسازي عملکرد بهتري داشتهاست. کیشی و ثانیخانی [13] مدلسازي بارش ماهانه با استفاده از محاسبات نرم بدون دادههاي اقلیمی در 50 ایستگاه در ایران انجام دادند که از دادههاي ضریب فصلی - شماره ماه - ، عرض جغرافیایی، طول جغرافیایی و ارتفاع ایستگاهها به عنوان ورودي مدلها استفاده کردند.
مقایسه نتایج نشان داد که بارش ماهانه هر ایستگاه با سیستم استنتاج فازي عصبی با موفقیت بدون هیچ اطلاعات آبوهوامیتوان پیشبینیکرد. هدف اصلی از تحقیق حاضر بررسی قابلیت دو روش مختلف شبکه عصبی مصنوعی - ANN - و سیستم فازي- عصبی تطبیقی - - ANFIS شامل - 1 - افراز شبکهو - 2 - دستهبندي تفریقی براي مدلسازي بارش ماهانهمیباشد.
مواد وروشها
-1-2 منطقه مورد مطالعه
در این تحقیق از دادههاي بارش ایستگاههاي سینوپتیک استان خوزستان که از سازمان هواشناسی اخذ گردید استفاده شد. دادههاي مربوط به ایستگاههاي اهواز، آبادان، آغازي، بندر ماهشهر، بهبهان، بستان، دزفول، هندیجان، ایذه و مسجدسلیمان به عنوان ورودي مدلها و امیدیه، رامهرمز، صفی آباد دزفول و شوشتربه عنوان خروجی تعیین شد. دادههاي مربوط به میانگین بلند مدت بارش ماهانه در دوره 1956-2010 مورد استفاده قرارگرفت.
در جدول 1 مجموع میانگین بلندمدت بارش و اطلاعات جغرافیایی ایستگاههاي مذکور ارائه شده است. براي مدلسازي بارش ماهانه از مدلهاي شبکه هاي عصبی مصنوعی، فازي-عصبی از نوع افراز شبکه و فازي عصبی از نوع دستهبندي تفریقیاستفاده گردید. در اینمطالعه70 درصد دادهها،به عنوان داده هاي آموزشی و30 درصد دادهها براي آزمون استفاده شد.
