بخشی از مقاله
چکیده
تخمین دمای خاک هر منطقه یکی از مسائل مهم در برنامه ریزی طرحهای مدیریت منابع آب و استقرار پوشش گیاهی در مناطق خشک میباشد که به روشهای مختلفی همچون مدلهای تجربی، نیمه تجربی و هوشمند قابل انجام است. از جمله مدلهای تجربی مورد استفاده دراین زمینه میتوان به شبکه عصبی مصنوعی - ANN - و الگوریتم ترکیبی شبکه عصبی- ژنتیک اشاره نمود.
هدف از انجام این پژوهش مقایسه مدل شبکه عصبی با الگورریتم ترکیبی شبکه عصبی- ژنتیک است. بدین منظور پس از با جمعآوری دادههای روزانه دمای خاک در اعماق 50،30،20،10،5 و100سانتی متری موجود در ایستگاه سینوپتیک در سالهای1390-1393، دادههای دردسترس به نسبت 60، 20 و 20 درصد به روش تصادفی به سه مجموعه آموزش، آزمون و اعتبارسنجی تقسیم خواهد شد.
به منظور دستیابی آسانتر به تعیین ترکیب بهینه پارامترهای موثر از جمله دمای حداکثر، دمای حداقل، ساعات آفتابی و تبخیر در واسنجی ضرایب ANN از الگوریتم ترکیبی - - ANN-GA به عنوان یک ابزار شبیهسازی استفاده گردیده است.
نتایج شبیهسازی توسط مدلها با استفاده از معیارهای ریشه میانگین مربعات خطا - RMSE - و میانگین انحراف خطا - MAE - مورد ارزیابی قرار گرفته است. مشخصات شبکه با استفاده از بسته نرمافزاری MATLAB تعیین شد. نتایج نشان داد در شبکه عصبی نسبت به الگوریتم ترکیبی شبکه عصبی- ژنتیک از میزان خطا بیشتر و دقت کمتری برخوردار است از دلایل آن میتوان به بالا بودن دقت و کارایی بالا مدل الگوریتم ترکیبی شبکه عصبی- ژنتیک نام برد.
مقدمه
خاک بستر و منبع اصلی برای رشد گیاه بوده و درجه حرارت خاک و هوا نیز از جمله عوامل موثر در فراهم شدن شرایط مناسب این بستر، برای رشد و نمو گیاهان است. خاک و گیاهان بر اثر تابش خورشیدی گرم شده و آنها نیز به نوبه خود هوا را گرم میکنند
یکی از مهمترین عوامل تاثیرگذار درخاک، دمای خاک و چگونگی تغییرات آن نسبت به زمان و مکان است که نه تنها تبادل ماده و انرژی را در خاک تحت تأثیر قرار میدهد، بلکه میتوان گفت میزان و جهت کلیه فرآیندهای فیزیکی خاک به صورت مستقیم یا غیر مستقیم وابسته به دماست. دمای خاک در فرآیندهای تبخیر و تعرق، تهویه خاک، جوانهزنی بذر، رشد گیاه، توسعه ریشه ها و فعالیت میکروارگانسیمهای خاک نقش به سزایی دارد
مدلهای تجربی بدون توجه به پارامترها، سعی در ایجاد رابطهای بین دادههای ورودی و خروجی دارند که این مدلها به مدلهای جعبه سیاه یا میانگینی معروف هستند. مدل ANN1 به عنوان یک مدل تجربی توانایی زیادی در مدلسازی پدیدههای غیر خطی دارد.
هایو و همکاران - 2012 - مدل ANN برای پیشبینی سه ایستگاه در شمال غرب چین استفاده کردند. آنها مدل ANN را نسبت به رگرسیون خطی چندگانه، معادله پنمن و دو معادلات تجربی نمودند. نتایج نشان داد که مدل ANN با دقت بالایی در مقایسه با مدل-های دیگر دارد، از طرف دیگر مدل ANN با پنج ورودی دقیقتر از مدلهایی است که با چهار یا سه ورودی است.
بیگلی - 2011 - توسعه مدل شبکه های عصبی - ANN - به منظور پیش بینی درجه حرارت خاک با استفاده از متغیرهای مختلف ماهانه در ترکیه را بررسی نمود. نتایج نشان میدهد که رویکرد شبکههای عصبی مصنوعی مدل برای پیشبینی ماهانه درجه حرارت خاک مناسب است.
گائو و همکاران - 2007 - با استفاده از معادلات ریاضی و قوانین فیزیکی نیز روابط میان رطوبت و ویژگیهای خاک مناطق خشک با دمای آنها تا عمق 10 سانتی متری بدست آوردند و پخشیدگی خاک در خاک شنی و چگالی جریان آب برای چهار لایه از خاک برآورد شد. بدین ترتیب در مطالعهای دو روش بیلان انرژی و شبکه عصبی مصنوعی به منظور برآورد دمای خاک سطحی مقایسه شد. نتایج نشان داد که تکنیک هوش مصنوعی قادر است برآورد دقیقتری از توزیع دمای سطحی خاک بدست آورد.
حق وردی و همکاران - - 1390 دو هدف عمده در این پژوهشی در ارتباط با خاک انجام دادند ک دو هدف برای آن درنظر گرفتند: هدف اول سنجش عملکرد شبکه های عصبی- فازی و عصبی- ژنتیک2 و دومین هدف از انجام این پژوهش، معرفی و اعتبارسنجی توابع جدید شبه پارامتریک و مقایسه کارکرد این توابع در مدلسازی منحنی مشخصه رطوبتی در مقایسه با توابع نقطهای و پارامتریک است. با توجه به نتایج به دست آمده از مدل سازی، می توان گفت که استفاده از شبکه های عصبی- فازی منجر به بهبود نتایج به دست آمده از شبکه های پرسپترون نمیشود، ولی استفاده از الگوریتم ژنتیک در ساختار شبکههای عصبی می تواند منجر به بهبود نتایج گردد.
بهیار و کمالی - 1386 - پژوهشی در رابطه با خاک در منطقه بروجن واقع در استان چهارمحال و بختیاری انجام دادند. نتایج نشان داد بیشترین دامنه تغییرات دما در این منطقه در عمق 5 سانتی متری و در حدود 1 .29 درجه سانتی گراد بوده است. همچنین تغییرات دمای خاک به صورت موجی بوده و از سطح به عمق کم شده است.
الگوریتم ژنتیک نوع خاصی از الگوریتم های تکاملی است که به عنوان یکی از روشهای تصادفی بهینه یابی شناخته شده توسط جان هالند ابداع شد بعدها این روش با تلاش های گلدبرگ گسترش یافته و امروزه بواسطه توانائی های خویش، جایگاه مناسبی در میان دیگر روش ها دارد. روش ANN-GA یک روش مدلسازی - بهینه سازی قدرتمند برای فرآیندهای پیچیده می باشد و ممکن است بهتر از سایر روش ها عمل کند. استفاده بهتر از ANN مستلزم بهینه کردن پارامترهای مورد استفاده در آن می باشد. برای تعیین بهترین مقادیر پارامترهای مختلف ANN نظیر تعداد لایهها و نرونها در هر شبکه، زمان زیادی صرف واسنجی این پارامترها به روش آزمون و خطا می شود.
به منظور مقایسه یک مدل به تنهایی - ANN - و همراه با الگوریتم ترکیبی - ANN-GA - جهت شبیه-سازی دمای خاک استفاده شده است. اهداف این تحقیق شامل بررسی و ارزیابی عملکرد ANN برای شبیه سازی وحذف روش آزمون و خطا بر ای محاسبه مقادیر بهینه پارامترهای ANN و صرفه جویی در زمان و دقت بالا میباشد. با شبیهسازی دمای خاک علاوه بر مدیریت صحیح ودقیق طراحی، اجرا، توسعه وبهرهبرداری منابع آب و خاک به منظور تأمین نیاز، می توان حوادث طبیعی نظیر سیل و خشکسالی را نیز پیشبینی و مهار نمود . همچنین از نتایج اجرای یک مدل شبیه سازی در این تحقیق میتوان به منظور بررسی صحت دادهها و یا اصلاح و یا تکمیل دادههای مفقود و یا مشکوک استفاده نمود.
مواد و روش ها
شهرستان زابل از توابع استان سیستان و بلوچستان و در دلتای رودخانه سیستان - منشعب از رودخانه هیرمند - واقع شده است. این منطقه در جنوب شرقی ایران و بین30˚ -40΄ تا 31˚ -20 عرض شمالی و61˚ -15΄ تا 61˚ -50 طول شرقی قرار گرفته است. وسعت شهرستان زابل 8117 کیلومتر مربع است که از آن حدود 3500 کیلومتر مربع به هامون ها و 2060 کیلومتر مربع به گودال های جنوبی و بالاخره 2550 کیلومتر مربع باقیمانده به دشت سیستان مربوط است.شهرستان زابل آب و هوای بیابانی گرم و خشک دارد. میانگین بارش سالانه در این شهرستان 74میلی مترو متوسط دمای آن در سال 82 از 47 الی -10 درجه سانتی گراد در تغییر است.
جدول -1 خلاصه آمار ایستگاه سینوپتیک زابل - - 1390- 1393 - اداره هواشناسی شهر زابل، - 1394
شبکه عصبی مصنوعی - Artificial Neural Networks -
شبکههای عصبی مصنوعی بر اساس استنباط از سیستم عصبی بیولوژیکی استوار است. این شیوه از ساختاری نرونی و هوشمند با الگوبرداری مناسب از نرو نهای موجود در مغز انسان سعی میکند تا از طریق توابع تعریف شده ریاضی رفتار درون سلولی نرونهای مغز را شبیهسازی کند و از طریق وزنهای محاسباتی موجود در خطوط ارتباطی نرونهای مصنوعی، عملکرد سیناپسی را در نرونهای طبیعی به مدل در آورد.
ماهیت و ذات تجربی و منعطف این روش باعث میشود تا در مسائلی مانند مقوله پیشبینی که یک چنین نگرشی در ساختار آنها مشاهده میشود و از رفتاری غیرخطی و پیچیده ای دارند، به خوبی قابل استفاده باشد. این مدل براساس یادگیری فرآیند حل مسئله و به عبارتی رسیدن به خروجی از طریق یافتن رابطه نهفته در فرآیند مورد نظر کار میکند. بدین منظور الگو، با دستهای از دادهها آموزش داده میشود تا در مورد ورودیهای جدید با توجه به رابطه پیدا شده در مرحله آموزش، خروجی مناسب را محاسبه نماید. شبکه یاد شده متشکل از لایههایی است که این لایهها دارای عناصری با عملکرد موازی هستند که به آنها نرون - عصب - گفته میشود. هر لایه کاملا با لایه قبل و بعد از خود در ارتباط است. شکل 1 معماری شبکه عصبی مصنوعی بکار رفته در این تحقیق را نشان میدهد
