بخشی از مقاله
چکیده:
تبخیر یکی از اجزای اصلی چرخهی هیدرولوژی است. این فرآیند به عوامل متعدد اقلیمی وابسته است. شبکه عصبی مصنوعی درچند دهه اخیر و در مطالعات صورت گرفته برای شبیهسازی سیستمهای پیچیده و غیرخطی قابلیت بسیار بالایی از خود نشان داده است. تحقیق حاضر بر اساس اطلاعات اخذ شده از ایستگاه هواشناسی شهرستان زابل صورت گرفته است.
برای این منظور از دادههای مختلف در دوره آماری 21 ساله - 1391-1371 - استفاده شده است . سپس با استفاده از این مقادیر به عنوان خروجیهای هدف، شبکههای مختلفی با ساختارهای متفاوت تعریف و آموزش داده شد. در نهایت قابلیت شبکه برای تخمین تبخیر با استفاده از قسمتی از داده ها که در آموزش شبکه وارد نشدند، مورد بررسی قرار گرفت.
دراین تحقیق مدلهای مختلف ازشبکه MLP به منظور پیش بینی میزان تبخیر به کارگرفته شد. نتایج نشان دادکه مدل ANN1 با ورودیهای حداکثر دما، حداقل دما، میانگین دما، حداکثر رطوبت، حداقل رطوبت، میانگین رطوبت، میزان بارندگی، سرعت باد حداکثر و ساعت آفتابی، کمترین میزان میانگین مربعات خطا - MSE - را در مدل با مقدار 0/0058 و بیشترین میزان ضریب همبستگی - R - کل را با میزان 0/912دارا میباشد.
مقدمه:
برتن و همکاران - 2000 - با استفاده از شبکه عصبی مصنوعی، تبخیر روزانه از تشت را تخمین زدند. دادههای ورودی عبارت بوده از: بارندگی، درجه حرارت، رطوبت نسبی، تشعشعات خورشیدی و سرعت باد. میزان تبخیر از تشت که از روش شبکه عصبی مصنوعی محاسبه شده دارای کمترین خطا نسبت به سایر روشها بوده و خطایی برابر با 1/11 میلیمتر در روز داشته است. ادهیامبو و همکاران - 2001 - نیز با استفاده از روش عصبی- فازی، تبخیر و تعرق مرجع چمن را تخمین زدند. دادههای ورودی عبارت از تشعشعات خورشیدی، رطوبت نسبی، سرعت باد و درجه حرارت بوده است. میزان خطای محاسبه شده با این روش برابر با 0/48 میلی متر در روز و میزان خطای به دست آمده از روش پنمن مانتیس - فائو برابر با 0/56 میلی متر در روز بوده است.
مقادیر تبخیر اندازهگیری شده به صورت مستقیم نمیتواند مورد استفاده قرار گیرد. این پارامتر ممکن است به صورت قطعی از معادلات تجربی یا استفاده از میانگین آمار گذشته در نظر گرفته شود. کاربرد دیگر تبخیر از تشت، محاسبه تبخیر و تعرق پتانسیل میباشد. استفاده از تشت تبخیر کلاس A روشی برای تخمین تبخیر و تعرق میباشد. این روش در سراسر دنیا مورد استفاده قرار گرفته و دقت آن مورد قبول واقع شده است
کوچک زاده و همکار - 1384 - عملکرد شبکه های عصبی مصنوعی درکاهش پارامترهای موردنیاز، جهت برآورد تبخیر و تعرق مرجع رامورد ارزیابی قراردادند و به مقایسه شبکه های عصبی مصنوعی - ANN - باروشهایی چون فائوپنمن مانتیس، بلانی کریدل، جنسن هیزاصلاح شده وهارگریوزسامانی پرداختندوبرای این منظور از شبکههای پرسپترون چندلایه، قانون یادگیری پس انتشار خطا و داده های روزانه ایستگاه هواشناسی استفاده نمودند.
حسینی و همکاران - - 1389 به پیش بینی دماهای حداکثر با استفاده از مدل شبکه عصبی مصنوعی پرداختند. با توجه به تغییرات اقلیمی، گرمایش جهانی و خشکسالی های اخیر، پیش بینی دماهای حداکثر به عنوان یکی از مهمترین پارامترهای اقلیمی فرصت مناسبی را برای برنامه ریزی و ارائه تمهیدات لازم در اختیار برنامه ریزان قرار می دهد. بررسی و تحلیل دماهای حداکثر با استفاده از مدل شبکه عصبی مصنوعی به عنوان یکی از پارامترهای اقلیمی در مدیریت منابع آبی و طبیعی، ذوب برف و سیلاب، تبخیر و تعرق، خشکسالی و غیره اهمیت زیادی دارد.
به منظور تعیین آب مصرفی اراضی، ظرفیت کانالها و طراحی سیستمهای آبی، حجم مخازن و سدها و دیگر موارد لازم است تا مقدار تبخیر و تعرق با دقت هرچه بیشتر محاسبه گردد. شبکه عصبی مصنوعی به گونهای است که میتواند پس از آموزش، پارامترهای خروجی مورد نظر را با اعمال پارامترهای ورودی برآورد نماید. به دلیل تأثیر متقابل پارامترهای هواشناسی در محاسبه تبخیر و تعرق، تخمین آن یک کار پیچیده و دارای روابط غیرخطی میباشد. از این رو شبکههای عصبی مصنوعی ابزار مناسبی برای تخمین تبخیر و تعرق میباشند
توکلی و همکاران - 1392 - در تحقیقی به برآورد تبخیر و تعرق مرجع درشرایط کمبود داده پرداختند و ارزیابی کمی تبخیر و تعرق در سطح منطقه ای، به منظورمدیریت منابع آب، تولیدمحصول و ارزیابی های زیست محیطی را ضروری دانستند.
نوری و همکاران - 1392 - در تحقیقی امکان کاربرد شبکه عصبی مصنوعی در برآورد تبخیر-تعرق گیاه پتانسیل با حداقل پارامترهای اقلیمی را مورد بررسی قرار دادند. بر اساس نتایج بدست آمده دراین تحقیق، در صورت کمبود پارامترهای اقلیمی، تنها ب اندازه گیری دماهای حداقل و حداکثر و محاسبه تابش فرازمینی می توان با خطایی معادل 0/286میلی متر در روز برآورد مناسبی از تبخیر-تعریق گیاه پتانسیل با استفاده از شبکه عصبی مصنوعی در منطقه مورد مطالعه - ایستگاه سینوپتیک مشهد - به دست آورد.
هدف از این تحقیق شبیهسازی تبخیر شهرستان زابل با استفاده از شبکه عصبی مصنوعی است. بدین منظور از دادههای روزانه حداکثر دما، حداقل دما، میانگین دما، حداکثر رطوبت، حداقل رطوبت، میانگین رطوبت، میزان بارندگی، سرعت باد حداکثر، ساعت آفتابی و تبخیر در دوره آماری 21 ساله - 1391-1371 - استفاده شده و از مدل های مختلفی برای شبیه سازی مقدار تبخیر استفاده شده است. در نهایت مدلهای مورد استفاده با یکدیگر مقایسه و بهترین مدل برای شبیه سازی میزان تبخیر معرفی گردیده است. کلیه محاسبات، با استفاده از تولباکس شبکه عصبی در نرمافزار MATLAB انجام گرفته است.
مواد و روشها:
منطقه مورد مطالعه:
شهرستان زابل با مساحت 15197کیلومتر مربع در شمال شرقی استان سیستان و بلوچستان قرار گرفته و فاصله مرکز شهرستان تا مرکز استان 213 کیلومتر است. شهرستان زابل دارای اقلیم بیابانی گرم و خشک است. میانگین بارش سالانه در این شهرستان 59/6 میلیمتر و دمای آن در سال از -9/5 تا 49 درجه سانتی گراد متغیر است. شکل - 1 - موقعیت شهرستان زابل در استان سیستان و بلوچستان را نشان میدهد. دادههای مورد استفاده دراین پروژه مربوط به ایستگاه هواشناسی زابل با موقعیت 31 درجه و 13 دقیقه شمالی و 61 درجه و 29 دقیقه شرقی بوده و ارتفاع از سطح دریا در این ایستگاه 489/2 مترمی باشد.
شکل : - 1 - موقعیت شهرستان زابل در استان سیستان و بلوچستان
شبکه عصبی مصنوعی:
شبکه عصبی مصنوعی ایده ای است برای پردازش اطلاعات که از سیستم عصبی زیستی الهام گرفته شده است و مانند مغز انسان به پردازش اطلاعات می پردازد. این سیستم از عناصر زیادی به نام نرون تشکیل شده است که برای حل یک مسئله با هم هماهنگ عمل می کنند - االله دادی و همکاران، . - 1392 یک نرون کوچک ترین واحد پردازشگر اطلاعات است، که اساس عملکرد شبکه عصبی را تشکیل می دهد. هر شبکه عصبی از یک لایه ورودی، یک لایه خروجی و یک یا چند لایه میانی - لایه پنهان - تشکیل شده است. نرون های هر لایه توسط وزن ها به نرون های لایه بعد متصل می شوند. هر نرون مقادیر ورودی را در وزن های خود ضرب کرده و با بایاس جمع می کند و حاصل به تابع محرکه انتقال داده می شود تا به این وسیله به نرونهای لایه بعد انتقال داده شود.
این عمل در نرونهای همه لایه های شبکه انجام شده تا در نهایت خروجی شبکه بهدست آید. شبکه عصبی پرسپترون چندلایه، رایج ترین شبکههای عصبی میباشد. این شبکهها جزو شبکههای عصبی پیشخور میباشند که قادرند با انتخاب مناسب تعداد لایهها و نرونها، یک نگاشت غیرخطی را با دقت دلخواه انجام دهند. شکل - 2 - نمای سادهای از یک شبکه عصبی پرسپترون چند لایه را نشان میدهد که در آن لایه های ورودی، پنهان و خروجی نشان داده شده است.
برای ایجاد یک شبکه عصبی بایستی پارامترهای موثر ورودی و خروجی شبکه به درستی مشخص شوند. برای شبیه سازی تبخیر توسط شبکه عصبیمصنوعی میتوان از متغیرهایی مانند بارندگی، رطوبت، دما، سرعت باد و ساعت آفتابی استفاده کرد.
شکل : - 2 - ساختار شبکه عصبی مصنوعی پرسپترون چند لایه
مراحل طراحی وپیاده سازی شبکه عصبی:
-1 آماده سازی داده هاشامل جمع آوری و پیش پردازش داده های مورد نیاز برای ایجاد شبکه عصبی مورد نظر
-2 تفکیک داده های ورودی و خروجی
-3 نرمال سازی داده ها
-4 تفکیک داده های مربوط به مراحل آموزش، صحت سنجی و هدف
-5 فراخوانی داده ها، تعیین نوع ساختارمناسب وساخت شبکه
-6 آموزش شبکه باقسمتی از داده های جمع آوری شده
-7 انجام مرحله صحت سنجی و اعتبار سنجی شبکه
-8 ذخیره خروجی ها و آنالیز آن ها
دادههای مورد استفاده:
وارد کردن دادهها به صورت خام باعث کاهش سرعت و دقت شبکه میشود. به همین منظور لازم ا ست برای یکسان کردن ارزش داده ها برای شبکه، عمل نرمالسازی دادهها صورت گیرد. این کار مانع از کوچک شدن بیش از حد وزنها و سبب جلوگیری از اشباع زود هنگام نرونها می گردد
