بخشی از مقاله
خلاصه
آب مایع حیاتی، نقش مهمی در توسعه همه جانبه مناطق شهری و روستایی دارد. بدون آب حیات امکان پذیر نبوده و فعالیتهای کشاورزی، صنعتی و ... متوقف می گردد. کشور ایران جزء کشورهای خشک و نیمه خشک محسوب میشود و منابع آب آن از اهمیت ویژهای برخوردار هستند.جریان رودخانه ها یکی از مهمترین مولفه های منابع آب محسوب می شود و همواره تغییرات جریان مشکلاتی را در بخش های مختلف به وجود آورده است.
پیش بینی مطلوب دبی یکی از ابزار های مهم در مدیریت منابع آب مانند آبخیز داری،مهار بحران کمبود آب و مدیریت سیلابها به شمار می رود و تعیین و پیش بینی جریان رودخانه ها اطلاعات جامع و ارزشمندی را به منظور مدیریت منابع و تامین نیاز های آبی در اختیار مسولان و مدیران قرار می دهد.در این تحقیق به شبیه سازی جریان رودخانه شاپور با استفاده از شبکه های عصبی مصنوعی - - ANN و عصبی-فازی - - ANFIS پرداخته شده است. با مقایسه شبیه سازی دبی جریان به وسیله شبکه های عصبی و عصبی فازی نتیجه میگیریم که مدل عصبی فازی نتایج بهتر و قابل قبول تری نسبت به مدل عصبی دارد.
.1 مقدمه
پیش بینی دقیق پدیده های هیدرولوژی اطلاعات مهمی را برای برنامه ریزی شهری،کاربری اراضی،طراحی پروژه های عمرانی و مدیریت منابع آب فراهم می نمایند.سیستم هیدرولوژی به وسیله فاکتورهایی مثل هوا ،زمین،پوشش گیاهی،نفوذ،تبخیر،وتعرق تحت تاثیر قرار می گیرد.بنابراین این سیستم هیدرولوژیکی شامل اجزا مرکب و ویژگی های غیر خطی شدید با مقیاس زمانی چند گانه است. به همین دلیل محققین سعی در توسعه روش های نوینی در زمینه پیش بینی مسائل هیدرولوژیکی از جمله دبی رودخانه ها دارند.
فرآیند های هیدرولوژیکی به علت تنوع و تعدد،غیر خطی عمل کرده و از نظر زمانی و مکانی بسیار متغیر و غیر قابل پیش بینی می باشند.که از این جمله همان رابطه فرآیند بارش-رواناب می توان اشاره نمود که از پیچیده ترین فرآیند های هیدرولوژیکی محسوب می شود.به طور کلی پدیده بارش-رواناب و پیش بینی جریان رودخانه ای به سه صورت تجربی،فیزیکی و کامپیوتری انجام می شود. استفاده از شبکه های فازی عصبی -تطبیقی و شبکه های عصبی مصنوعی می تواند کمک زیادی در شبیه سازی دبی جریان کند. >1@ درواری و همکاران به شبیه سازی جریان رودخانه با استفاده از شبکه عصبی مصنوعی در حوضه معرف کسیلیان پرداختند.
در این مطالعه از نرم افزار MATLAB برای پیش بینی جریان خروجی حوضه کسیلیان،داده های هیدرومتری و هواشناسی - باران،دما،دبی - در مقیاس زمانی ماهانه و به طول آماری 31 سال - - 1349-1380استفاده شده است. اطلاعات 27 سال برای توسعه مدل ها و 4 سال باقیمانده برای آزمودن آنها بکار رفته است شبکه مورد استفاده از نوع MLP - پرسپترون چند لایه - با الگوریتم پس انتشار خطا - BP - می باشد.نتایج اجرای مدل بیانگر دقت بالای شبکه عصبی در پیش بینی جریان رودخانه است.>2@ پوستی زاده و نجفی از دو مدل شبکه عصبی مصنوعی - ANN - و سیستم استنتاج فازی - - FIS برای پیش بینی دبی جریان ماهانه رودخانه زاینده رود در محل ایستگاه آبسنجی قلعه شاهرخ استفاده کردند.
دادههای مورد استفاده در این تحقیق شامل دادههای دبی ماهانه رودخانه زاینده رود در در محل ایستگاه آبسنجی قلعه شاهرخ و مجموع بارش و میانگین درجه حرارت ماهانه هوای ایستگاه هواشناسی مجاور ایستگاه آبسنجی مذکور در طول دوره آماری 1353-1380 بوده است. نتایج این تحقیق حاکی از برتری روش فازی نسبت به روش شبکه عصبی می باشد.[3@ سعیدی - 1386 - به پیش بینی میزان دبی های ماهانه با استفاده از شبکه های عصبی مصنوعی - - ANNs پرداختند.در این تحقیق از شبکه عصبی مصنوعی MLP با الگوریتم پیش انتشار خطا در پیش بینی آبدهی ماهانه حوزه بهشت آباد با بکارگیری متغیرهای هواشناسی استفاده شده است منطقه بهشت آباد یکی از زیرحوزه های کارون بزرگ می باشد .
از 6 ایستگاه هیدرومتری مستقر بر روی این حوزه جهت انجام پروژه استفاده شد. در این مدل سازی پس از سعی و خطا ورودی های دبی، بارش، دما، رطوبت نسبی و تبخیر و توآبع فعالیت خطی، تانژانت سیگموئید، لوگ سیگموئید برای شبکه عصبی MLP به خدمت گرفته شده است نتایج نشان دادند دبی ماه قبل و بارش دوماه قبل از پارامترهای اساسی به عنوان ورودی شبکه هستند. از جمله نتایج حاصل از این تحقیق می توان به تأثیر انتخآب یک مجموعه آموزش فراگیر اشاره نمود. همچنین بیشتر مدلها دبی پایه را به خوبی پیش بینی می کنند و پیش بینی دبی Peak نیز رضایت بخش می باشد.[4@ کسی و همکاران - 2004 - 1 جریان رودخانه را با شبکههای عصبی مصنوعی مدلسازی کردند.
نتایج این پژوهش نشان داد که استفاده از شبکههای عصبی مصنوعی در پیشبینی جریان متوسط ماهانه و بهرهبرداری ازمخزن بسیار مهم است.>5@فریدونی و همکاران - 2012 - 2 به مقایسه شبکههای عصبی مصنوعی و مدلهای تصادفی در پیشبینی دبی رودخانه قره آغاج شیراز پرداختند. شبکههای عصبی - MLP-RNN - و مدلهای ARMA از نظر ضریب همبستگی - R - ، ریشه میانگین مربع خطا - RMSE - ، شاخصهای پراکندگی - SI - تایید شدهاند.
نتایج نشان داد که MLP SI=0/56 - ، RMSE=2/4 ، - R=0/92 و SI=1/25 - RNN ، RMSE=1/95، - R=0/9 عملکرد بهتری نسبت به مدل SI=1/25 - ARMA، RMSE=5/37، - R=0/68 دارند. >6@ طارقیان و کاشفیپور - 1385 - با استفاده از سیستم استنتاج فازی-عصبی تطبیقی - ANFIS - به پیش بینی سطح آب در مخزن سد دز پرداختند. آنها در مواقع سیلابیهای که طی سالهای 79 تا 81 جمعاوری شده بود، به تخمین سطح آب 1 تا 60 ساعته اقدام نمودند.
نتایج آنها نشان داد که توانایی ANFIS در دوره های کوتاه مدت 1 - تا 12 ساعت - میباشد، همچنین نتایج کلی نشان داد که ANFIS قابلیت پیشبینی سطح آب را با دقت بسیار بالا دارا میباشد.>7@ نایاک و همکاران - 2004 - 3 از روش فازی -عصبی برای محاسبات مدلسازی سری زمانی هیدرولوژیکی استفاده کردند. نتایج نشان داد که ANFIS عملکرد خوبی از نظر شاخصهای آماری مختلف دارد و نتایج بدست آمده بسیار امیدوار کننده است .
عقیل و همکاران - 2007 - در تحقیق دیگر از ANN و ANFIS برای شبیه سازی ساعتی و روزانه جریان رودخانه Cilalawi واقع در اندونزی استفاده کردند. آنها سه تکنیک مختلف تطبیقی یعنی شبکههای عصبی پیشرو با الگوریتم لوانبرگ مارکرات - ANN-1 - ، شبکههای عصبی مصنوعی پیشرو با الگوریتم آموزش تنظیمی بیزین - ANN-2 - و نروفازی را برای مدلسازی بکار بردند. برای منطقه مطالعاتی دادههای بارش و رواناب به مدت سه سال 2001 - تا - 2003 در دو مقیاس ساعتی و روزانه وجود داشت. برای انجام پیشبینیهای ساعتی و روزانه جریان، به ترتیب از بین 26280 و 1095 داده بارش و رواناب، 17520 و 730 داده 2001 - تا - 2002 برای آموزش، 8760 و 365 داده - سال - 2003 برای آزمون مدلها انتخاب شدند. معماری هر دو نوع شبکه عصبی مصنوعی شامل یک لایه پنهان و تعداد 4 نرون در آن با سعی و خطا بدست آمد.
همچنین توابع تحریک تانژانت سیگموئید و خظی به ترتیب در لایههای پنهان و خروجی مدلهای شبکه عصبی استفاده شد.>9@ بازارت سرن و همکاران - 2003 - 1 با استفاده از مدلهای ANN و نروفازی سطح آب دو رودخانه را در آلمان پیشبینی و نتایج آنها را با مدلهای ARMA و ARX مقایسه کردند. مدلهای شبکههای عصبی مصنوعی متشکل از یک لایه پنهان و الگوریتم آموزش لوانبرگ و مدلهای نرو-فازی شامل سیستم استنتاج فازی از نوع سوگنو و توابع عضویت مثلثی بودند.
شاخصهای ارزیابی عملکرد مدلها شامل ضریب همبستگی - R - ، میانگین قدر مطلق خطا - MAE - و RMSE بود. نتایج تحقیق نشان داد که برای پیشبینیهای کوتاه مدتتر سطح آب - تا ساعت - مدلهای ARMA و ARX بهتر از مدلهای شبکههای عصبی مصنوعی و نروفازی عمل کردند، در حالیکه با افزایش بازه پیشبینی خطای این مدلها بشدت افزایش پیدا کرده و مدلهای شبکه عصبی مصنوعی و نروفازی عملکرد بهتری داشتند.
همچنین مقایسه نشان داد که هر دو مدل شبکه عصبی مصنوعی و نروفازی، پیشبینیهای سطح آب را به درستی انجام دادند. هر چند که عملکرد مدل شبکه عصبی مصنوعی کمی بهتر بوده است.>10@ دینش بشت2 و همکاران - 2011 - تحقیقی را درباره مدل سازی دبی با استفاده از استنتاج فازی-عصبی تطبیقی انجام دادند.با مقایسه دادههای مشاهده شده و دادههای تخمین زده شده ثابت شده است که مدل ANFIS توسعه یافته در شبیه سازی، نتایج بهتری از مدل قدیمی مانند MLR دارد.>11@
.2 مواد و روش ها
.1.2 منطقه مورد مطالعه
رودخانه شاپور با طول 220 کیلومتر، از ارتفاعات شمال شرقی کازرون سرچشمه گرفته و در تنگ چوگان به چشمه ساسان متصل میشود. این رود سپس از ناحیه غربی کازرون گذشته و پس از دریافت آب رودخانه شکستیان و طی یک مسیر کوهستانی، وارد دشت خشت شده و پس از آبیاری بیش از 2 هزار هکتار از زمینهای کشاورزی این منطقه و اتصال چند شاخه فرعی دیگر به آن، در نزدیکی روستاهای جره بالا و میلک، وارد دشت شبانکاره شهرستان دشتستان استان بوشهر میشود. رودخانه شاپور در استان بوشهر به رود دالکی پیوسته و با نام رود حلّه، به خلیج فارس میریزد.
