بخشی از مقاله
چکیده
استفاده ی بی رویه بشر از آب های زیر زمینی برای مصارف مختلف سبب شده است که حجم این منابع روز به روز کاهش یابد. در این پژوهش از داده های سطح آب زیر زمینی و بارش دشت شیراز برای مدل سازی سطح آب زیر زمینی استفاده شده است. در این مقاله به مبانی علمی هر سه روش به کار رفته در پژوهش اعم از SVM ، ANFIS، موجک عصبی ، انواع تکنیک ها و شیوه های پیاده سازی آنها پرداخته شد. همچنین به پیاده سازی الگوریتم ها با استفاده از نرم افزارهای موجود که در اینجا جعبه ابزار های نرم افزار MATLAB انتخاب شده است، و بیان نمودار ها و مدل های حاصل پرداخته شد.
در نهایت با استفاده از داده های دو گام زمانی ماهیانه داده های 19/5 ساله بارش و سطح تراز آب از ابتدای سال 72 تا شش ماهه دوم 92 به پیش بینی ماهیانه تراز آب شیراز پرداخته شد که در بهترین حالات به تر تیب ضریب رگرسیون 0/993 ، 0/986 و 0/767 برای مدل موجک عصبی، ANFIS و ماشین بردار پشتیبان حاصل شد. همچنین در مورد مجموع مربعات خطا به ترتیب به 0/0003 و 0/0019 و 0/0058 برای مدل موجک عصبی، ANFIS و ماشین بردار پشتیبان حاصل شد که دقت بسیار بالایی است. مدل موجک عصبی از سایر تکنیک ها موفق تر و مدل SVM در بین مدل ها ضعیف تر از سایرین عمل کردند.
-1 مقدمه
به استفاده بی رویه بشر از آب های زیر زمینی برای مصارف مختلف سبب شده است که حجم این منابع روز به روز کاهش یابد. استخراج بی رویه و خارج از قاعده ی آب های زیرزمینیکه معمولاً به مراتب بیش از میزان تغذیه آن می باشد، اثرات جانبی زیانبار فراوانی از جمله کاهش سطح آب زیرزمینی، خشک شدن چاه ها، کاهش آب و یا خشک شدن قنات چشمه ها و نهرها، تنزل کیفیت آب، افزایش هزینه پمپاژ، نشست زمین و کاهش محصول را در پی خواهد داشت .
در این پژوهش از داده های سطح آب زیر زمینی و بارش دشت شیراز برای مدل سازی سطح آب زیر زمینی استفاده شده است . نظر به جمعیت زیاد ساکنین دشت شیراز و قرار گرفتن کلانشهر شیراز در آن، این مطالعه و بررسی تراز آب زیرزمینی که بخش عمده ی آب مورد نیاز شهر و صنایع و کشاورزی را تامین می کند از اهمیت فوق العاده ای برخوردار است که ارائه یک پیش بینی مناسب می تواند راهگشای سازمانها و صنایع باشد.
با اثبات توانایی شبکه های عصبی مصنوعی، منطق فازی و سایر روش های تلفیقی هوش مصنوعی در شبیه سازی سری های زمانی نامانا و غیرخطی طی سالیان اخیر، تحقیات گسترده ای در زمینه های مختلف با استفاده از این ابزار قدرتمند، در سراسر جهان صورت گرفته است. این مدل ها برای پیش بینی سری های زمانی به آمار دراز مدت نیاز ندارند.
با توجه به حجم نسبتا پایین محاسبات، عدم نیاز به تخمین پارامترهای موثر در معادلات حاکم - مانند ضریب نفوذپذیری در معادله ریچاردز - و طبیعت ساده مدلهای تصادفی، امروزه کاربرد این روشها در مدلسازیهای هیدرولوژیکی و شبیه سازی پارامترهای مرتبط با آنها افزایش روزافزونی پیدا نموده است. از انواع مختلف این روشها روشهای هوش مصنوعی و بردار پشتیبان را می توان نام برد که روشهای هوش مصنوعی انواع مختلفی از فازی و شبکه عصبی و...و ترکیبات آنها با سایر الگوریتم های ریاضی دارد.
ایده اصلی شبکه مصنوعی به نظریات ویلیام جیمز1 در سال 1890 برمی گردد. در سال 1943 عصب شناس معروف مک کلوچ2 و متخصص آمار پیتز3 مدل اولیه ای از نرون ارائه دادند. در سال 1949 دونالد هب روانشناس کانادایی، آموزش شبکه های عصبی از نظر روانشناسی را در کتابی با عنوان سازماندهی رفتار تشریح کرد. در نهایت روزنبلات4 زیست شناس اعصاب دانشگاه کرنل5 در سال 1957 الگوریتم پرسپترون را معرفی کرد.
دنیل - 1991 - 6 برای اولین بار از شبکه های عصبی مصنوعی در زمینه مباحث هیدرولوژیکی مربوط به پیش بینی آب مصرفی ماهیانه و سیلاب استفاده کرد .[2] پس از آن هم گام با سایر فرآیند های هیدرولوژیکی، کاربرد مدل های هوش مصنوعی در پیش بینی تراز آب زیرزمینی به علت سهولت کاربرد و دقت بالا افزایش یافت.
جزائی - 1387 - با استفاده از سیستم اطلاعات جغرافیایی - GIS - و مدل شبکه ی عصبی مصنوعی - ANN - به پیش بینی نوسانات سطح آب زیرزمینی شهری پرداخت. وی نتیجه گرفت که اولاً با استفاده از داده های GIS، دقت پیش بینی های شبکه ی عصبی مصنوعی افزایش می یابد، ثانیاً مدل های شبکه عصبی مصنوعی توانایی زیادی در پیش بینی سطح آب زیرزمینی دارند، ثالثاً سه الگوریتم آموزش به کاررفته در این پژوهش شامل الگوریتم های 7BR .LM و GDX8تقریباً دارای دقت یکسانی در پیش بینی ها هستند. اما عملکرد آموزش LM از دو روش دیگر کمی بهتر است .[3]
با ورود تئوری نوین تبدیل موجک به حیطه ی علم ریاضی و مهندسی، استفاده از موجک ها به عنوان ابزاری قدرتمند در تجزیه و پیش پردازش سری های زمانی به سرعت افزایش یافته و توانایی آن ها در بهبود نتایج پیش بینی ها به اثبات رسیده است. هر چند مدت زیادی از عمر تئوری موجک نمی گذرد، اما طی همین چند سال اندک، پژوهش های زیادی در زمینه های مختلف با استفاده از آنها صورت گرفته است.
تورنس و کامپو - 1998 - 9 به تجزیه و تحلیل موجک ها و توانایی آنها در بررسی تغییرات موضعی سری های زمانی به عنوان یک ابزار کاربردی پرداخته اند. وونگ و والدز - 2003 - 1 از مدل تلفیقی شبکه عصبی مصنوعی و تبدیلات موجک، برای پیش بینی خشکسالی حوضه ی رودخانه ی کانکاس در مکزیک استفاده کردند. آن ها با اشاره به توانایی های تبدیل موجک در تجزیه ی سری های زمانی نتیجه گرفتند که مدل غیرخطی و تلفیقی شبکه های عصبی مصنوعی و تبدیلات موجک، دقت پیش بینی خشکسالی را نسبت به مدل شبکه های عصبی مصنوعی بهبود می بخشید .[6]
مهدی خانی - 1385 - از یک مدل تلفیقی مبتنی بر شبکه عصبی مصنوعی و تبدیلات موجک، برای پیش بینی خشکسالی استفاده کرد. وی نتیجه گرفت که مدل تلفیقی WNN دقت پیش بینی خشکسالی را نسبت به مدل ANN به طور قابل ملاحظه ای بهبود می بخشد .[7] آدامووسکی و چن - 2011 - 2 از داده های آماری 8 ساله ی حوضه ی آبریز شاتوگای3 در کانادا استفاده کرده و به پیش بینی سطح آّب زیرزمینی با استفاده از مدل تلفیقی و غیرخطی شبکه های عصبی مصنوعی و تبدیلات موجکی پرداختند.
آنها نتایج پیش بینی سطح آب زیرزمینی توسط این مدل تلفیقی را با مدل شبکه عصبی مصنوعی مقایسه نمودند. نتایج این مقایسه نشان داد که مدل تلفیقی با دقت بالاتری قادر به پیش بینی سطح آب زیرزمینی است. با این وجود، آن ها پیشنهاد کردند که به منظور مدیریت بهتر و موثرتر منابع آب زیرزمینی، مطالعات بیشتری در این زمینه صورت گیرد .[8] جانگ - 1993 - 4 با ترکیب قدرت زبانی سیستم های فازی و قابلیت آموزش شبکه های عصبی مدل شبکه ی عصبی فازی - ANFIS - را پایه ریزی کرد .[12] با تکامل این مدل تلفیقی، دامنه ی کاربرد آن در مدل سازی فرایند های مختلف نظیر فرایندهای هیدرولوژیک گسترش یافته و روز به روز در حال افزایش است.
بازات سرن5 و همکاران - 2003 - سطح آب دو رودخانه در آلمان را با استفاده از مدل های ANN و ANFIS پیش بینی کردند. نتایج شبیه سازی نشان داد که هر دو مدل توانایی بالایی در پیش بینی سطح آب نسبت به مدل های خطی دارند. ولی در هر دو رودخانه خطای مدل ANN نسبت به ANFIS کمتر بوده است .[9] کوهستانی - 1390 - با استفاده از مدل سیستم استنتاج عصبی - فازی سطح آب زیرزمینی دشت نرماب گلستان را پیش بینی کرد. ورودی های مدل شامل موقعیت جغرافیایی پیزومترها، تراز سطح آب زیرزمینی، میزان آب ورودی به هر پولیگون، میزان بارش و میزان برداشت آّب از هر پیزومتر بوده است. نتایج مدل سازی نشان داد که این مدل با میزان خطای اندکی و ضریب همبستگی 0/99 دقت مناسبی دارد .[10]
اموتا و پورچلون - 2011 - سطح آب زیرزمینی فصلی زیرحوضه ی مالاتار هند را با استفاده از مدل های ANFIS و تابع پایه ی شعاعی - RBF - پیش بینی کردند. داده های ورودی مدل ها، سطح آّب زیرزمینی و بارش در فصل های گذشته بوده اند. نتایج پژوهش نشان داده است که علیرغم دقت مناسب هر دو مدل در پیش بینی، مدل ANFIS خطای کمتری دارد .[11]
آسفا و همکاران - 2008 - روش مناسبی برای پیش بینی دبی جریان فصلی و ساعتی با استفاده از مدل SVM ارائه نمودند. در تحقیق مذکور با استفاده از میزان آب معادل برف و حجم جریان در دوره های قبل، میزان حجم جریان برای مقیاس های زمانی شش ماهه و 24 ساعته پیش بینی گردید که نتایج رضایت بخش گزارش شد.[12]
یو و همکاران - 2010 - در مطالعهای با استفاده از مدل SVM به پیش بینی سطح رقومی سیل در رودخانه تایوان پرداختند. به منظور کالیبره کردن پارامترهای مدل از روش بهینه سازی جستجوی شبکه استفاده شد. نتایج شبیهسازی نشان داد که مدل سطح آب رودخانه را به خوبی برای 1 تا 6 ساعت بعد پیش بینی می کند.[13] شیوام 6 و همکاران - 2012 - مدل های SVM و ANN را به منظور شبیه سازی در تغییرات آب و هوایی در هند به کار بردند. نتایج بیانگر آنست که SVM می تواند جایگزین مناسبی برای ANN در پیش بینی تغییرات بارش باشد.[14]
