بخشی از مقاله
خلاصه
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 ابزارهای مهم در مدیریت منابع آب مانند آبخیزداری، مهار بحران کمبود آب و مدیریت سیلاب ها به شمار می رود و تعیین و پیش بینی جریان رودخانه ها اطلاعات جامع و ارزشمندی را به منظور مدیریت منابع و تامین نیازهای آبی در اختیار مسوولان قرار می دهد. با توجه به عدم دسترسی به اطلاعات هیدرولیکی حوضه های مورد مطالعه اغلب این مدل سازی ها بصورت هیدرولوژیکی یا گرده ای و با استفاده از آمار سالهای قبل صورت می گیرد .
اغلب سعی بر این بوده است که از روش های ریاضی برای مدل سازی این پدیده استفاده شود که در مرحله واسنجی و آموزش یک مدل از تعدادی پارامترهای حوضه استفاده می شود که خود این پارامترها دقیق و بطور کامل قابل اطمینان نمی باشند. ریاضیات فازی با ارائه تابع عضویت بجای عدد مطلق برای پارامتر مذکور دقت عمل را در ارزش دهی داده ها بالا می برد . در این مقاله مدل بارش B رواناب حوضه گوزون واقع در استان فارس با استفاده از روشهای شبکه عصبی مصنوعی Artificial Neural Networks و سیستم استنتاج عصبی B فازی تطبیقی Artificial Fuzzy Neural Network ارائه می شود و بهترین مدل برای این حوضه مدل شبکه عصبی می باشد .
کلمات کلیدی: مدلسازی بارش-رواناب،ANN , ANFIS
.1 مقدمه
کاربرد بنیادی اصول علم هیدرولوژی در طراحی سازه های آبی، در سطح جهان گسترش و توفیق روز افزون داشته است. مطالعات جامع هیدرولوژی که بر مبنای عوامل فنی، عوارض طبیعی و مسائل اجتماعی، اقتصادی، سیاسی و البته زیست محیطی صورت می گیرد؛ و در نهایت پارامترهای اساسی طراحی از قبیل میزان جریان با دوره های بازگشت متفاوت ارائه شده و به عنوان مبنای اصلی طراحی در نظر گرفته می شود. تأثیر گذاری فاکتورها و عوامل مختلف و وجود رابطه غیر خطی بین آنها پیش بینی رواناب را امری پیچیده می کند.در روش های قدیمی عمدتاً مدلسازی رواناب از رابطه خطی بین پارامترها استفاده می شد که نتیجه دقیق حاصل نمی شود.[1]
امروزه سیستم های هوشمند به منظور پیش بینی یک چنین پدیده های پیچیده و غیر خطی بسیار مورد استفاده قرار میگیرد که روش شبکه های عصبی مصنوعی، سیستم استنتاج فازی و سیستم استنتاج فازی عصبی تطبیقی - ANFIS - از جمله این روش ها است. در سالهای اخیر استفاده از این روش ها در فرآیندهای هیدرولوژیکی و از جمله مدلسازی رواناب مورد توجه محققین بوده است[2] از جمله:دولاکشی و همکاران - 2006 - پیش بینی سری های زمانی آشوبگونه دبی رودخانه می سی سی پی را با شبکه پرسپکترون چند لایه مقایسه کردند. در این تحقیق آنها با دو روش پیش بینی غیر خطی - مدل محلی - و شبکه عصبی - مدل جهانی - بترتیب زمانهای 1، 3 و 5 ساعت جلوتر را پیش بینی نموده و نتایج را با NRMSE و MAE مقایسه کردند. شبکه عصبی پیش بینی دقیقتری انجام میدهد.
وانگ و همکاران - 2006 - در مطالعه ای با عنوان پیش بینی روزانه جریان رودخانه با شبکه عصبی مصنوعی هیبرید سه نوع شبکه را - شبکه عصبی خوشه ای، شبکه عصبی دوره ای و شبکه عصبی آستانه ای - با هم مقایسه کردند.عقیل و همکاران در سال - - 2007 به بررسی مقایسه ای شبکه عصبی مصنوعی و سیستم عصبی - فازی در مدل سازی پیوسته رفتار روزانه و ساعتی رواناب پرداختند. نتایج حاصل از این مطالعه کارایی بهتر سیستم عصبی فازی را نشان می دهد.هدف از این تحقیق بررسی توانایی ANFIS در پیش بینی رواناب و مقایسه آن با سیستم شبکه های عصبی مصنوعی با همان متغیرهای مورد استفاده می باشد. برای این منظور بعد از معرفی سیستم های عصبی و استنتاج فازی- عصبی تطبیقی، چگونگی تعیین دقیق ترین مدل تشریح شده است و سپس نتایج این مدل با دیگر مدل بر اساس معیارهای کارآیی مقایسه می شود و مدل برتر معرفی می گردد.
.2منطقه و حوضه مورد مطالعه
محدوده مطالعاتی داراب یکی از 42 محدوده مطالعاتی حوضه آبریز کل مهران و جزایر خلیج فارس میباشد و با کد 2722 در شمالغرب حوضه آبریز رودخانههای کل مهران و جزایر خلیج فارس قرار دارد و مساحت آن در حدود 2365 کیلومتر مربع میباشد که 797 کیلومتر مربع آن دشت و بقیه ارتفاعات میباشد. این محدوده مطالعاتی بین طولهای جغرافیایی 58 -ْ53 تا 1 -ْ55 شرقی و عرض 27 ْ-28 تا 56 ْ-28 شمالی واقع است.بالاترین نقطه این محدوده در حاشیه شمالی منطقه 3006 متر از سطح دریا ارتفاع دارد و پست ترین نقطه با ارتفاع 1049 متر در جنوب غرب منطقه میباشد. از مراکز جمعیتی مهم در این محدوده مطالعاتی میتوان از داراب و قطبآباد نام برد.
.3شبکه عصبی
با توجه به بررسی منابع انجام شده و ماهیت رابطه بارندگی -رواناب که از یک رابطه غیر خطی پیروی می کند، در این مطالعه از شبکه عصبی پرسپترون چند لایه که نوعی از توپولوژی پیشخور است - شکل. - 1 در اغلب شبکه ها، لایه ورودی متغیرهای ورودی را دریافت می کند.این متغیر ها شامل تمام مقادیری است که می تواند متغیر خروجی را تحت تاثیر قرار دهد .بنابراین لایه ورودی کاملا مشخص بوده و اطلاعات لازم برای شبکه را فراهم می کند .لایه آخر یا لایه خروجی نیزشامل متغیری است که شبکه آن را پیش بینی می کند و در واقع خروجی مدل است .تعداد لایه های شبکه یا لایه های مخفی و تعداد نرون های موجود در هر لایه از طریق روش سعی و خطا بدست می آید.
نرون های موجود در هر لایه با تمام نرونهای لایه های قبل و بعد از خود در ارتباط هستند. در نهایت شبکه یک پاسخ در لایه خروجی خواهد داشت که با مقادیر واقعی متفاوت است. برای کاهش این خطا از روش توزیع معکوس خطا - پس انتشار - استفاده می شود .در این روش وزن ها به تدریج طوری تغییر می کند که خطای پیش بینی به صفر نزدیک شود. این عمل تا جایی ادامه پیدا می کند که خطای پیش بینی در حد مطلوب باقی بماند و با ورود اطلاعات جدید به شبکه مقدار خطا بایستی در حد مطلوب باقی بماند .بنابراین طراحی یک شبکه عبارت است تعیین تعداد لایه های مناسب، تعداد مناسب نرو نها در هر لایه و نوع تابع تحریک در هر لایه به نحوی که خطای آموزش و آزمایش شبکه به حداقل برسد.[4],[3]
.4سیستم استنتاج فازی- عصبی تطبیقی
از زمانی که پروفسور لطفی زاده تئوری منطق فازی را در سال 1965 معرفی کرد. کاربرد وسیعی را در زمینه های متفاوت پیدا کرده است . این تئوری ابزاری توانمند و انعطاف پذیر برای مدلسازی عدم قطعیت ها و عدم صراحت های موجود در دنیای واقعی و بیان عبارت های زبانی برگرفته از تجربه و دانش بشر در قالب روابط ریاضی بشمار می آید و پیچیده گی و عدم قطعیت در سیستم های هیدرولوژیکی، کمبود اطلاعات در بسیاری از فرایندهای هیدرولوژیکی، مبهم و غیر صریح بودن این داده ها موجب شد تا استفاده از تئوری فازی در زمینه هیدرولوژی و بارش- رواناب که از اصلی ترین فرایندهای هیدرولوژیکی است افزایش یابد. این مدل همانند مدل فازی از دانش تجربی بهره گرفته و نیز همانند مدلعصبی می تواند آموزش ببیند. اختصاراً به تشریح مدل ANFIS پرداخته می شود. مدل فازی عصبی تطبیقی بر اساس تغییر در میزان مقادیر مرکز و دامنه توابع تعلق در تکرارهای مختلف جهت رسیدن به شبکه مناسب بر اساس حداقل خطای موجود رفتار می کند. در مدل ANFIS از روش استنتاجی تا کاگی سوگنو استفاده می شود. برای مدل
