بخشی از مقاله
چکیده:
دمای خاک یکی از پارامترهای مهم و تاثیر گذار در فرآیندهای هیدرولوژیکی و مطالعات کشاورزی است که اندازهگیری و شبیهسازی آن امری ضروری می باشد. هدف تحقیق ارائه شده شبیهسازی دمای اعماق مختلف خاک با استفاده از مدل شبکه عصبی و مدل شبکه استنتاج تطبیقی عصبی- فازی در محدوده ایستگاه سینوپتیک زابل میباشد. در تحقیق حاضر پارامترهای مهم هواشناسی از جمله دمای حداقل و حداکثر هوا، تبخیر و ساعات آفتابی به عنوان عوامل تاثیرگذار بر دمای اعماق مختلف خاک در طول دوره آماری 3 ساله - 1390-1393 - انتخاب گردید.
سپس به منظور بررسی دقت روشهای یاد شده، در مرحله اول ترکیبهای مختلفی از پارامترهای مختلف هواشناسی از جمله دمای حداکثر، دمای حداقل، تبخیر و ساعات آفتابی به عنوان ورودیهای مدل و دمای خاک به عنوان خروجی مدل انتخاب گردید. 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. بررسیها نشان داد که مدل نروفازی در شبیه سازی مقادیر دمای اعماق مختلف خاک از دقت بالایی برخوردار است و لذا میتوان با اطمینان بیشتری از روش یاد شده به منظور انجام شبیهسازی و تخمینهای مورد نظر بهره برد.
مقدمه
دمای خاک به عوامل متعددی از جمله توپوگرافی، تابش خورشید، دمای هوا، میزان رطوبت خاک، نوع و ویژگیهای حرارتی خاک - نظیر ظرفیت گرمایی ، ضریب هدایت حرارتی و گرمای ویژه - بستگی دارد. علاوه بر فرآیندهایی مانند تبخیر - تعرق ، فرآیندهای دیگری نظیر، تهویه خاک ، جوانه زنی ، رشد گیاه ، توسعه ریشهها و فعالیتهای میکروبی درون خاک نیز تابع دمای آن هستند. همچنین درجه حرارت خاک به عنوان یک عامل، به صورت قوی و موثر در فرآیندهای بحرانی مورداستفاده قرار گرفته و در توازن انرژی سطحی به عنوان یک منبع ذخیره و موثر بر اتمسفر نقش بهسزایی دارد - نجفیمود و همکاران، . - 1387 در هر لحظه دمای خاک ازعمقی به عمق دیگر متفاوت بوده و در طول روز و سال نوسان میکند.
روشهای متعدد عددی و تجربی موجود، از شرایط مرزی وخصوصیات حرارتی خاک مانند ظرفیت گرمایی، ضریب هدایت حرارتی و گرمای ویژه به عنوان راهحلی به منظور پیشبینی دمای خاک استفاده میکنند - گومان و لال، . - 1982 اما این روشها هنوز پیچیده اند و به دادههای ورودی متعددی ازخصوصیات خاک که اغلب در دسترس نیستند، احتیاج دارند - تنج و همکاران، . - 1998 اهمیت دمای خاک در علوم کشاورزی و هیدرولوژی از یک سو و وجود مشکلات فراوان در ثبت این پارامتر حیاتی پژوهشگران را برآن داشته است تا به دنبال یافتن رابطهای بین دمای خاک و پارامترهای دیگر باشند تا بتوانند دمای خاک را با دقت مطلوب برآورد کنند.
با بررسی پژوهشهای انجام شده در جهت ارائه مدل برای برآورد دمای خاک ملاحظه میشود کهاکثراً مدلهایی با تعداد ورودیهای زیاد که برآورد یا اندازهگیری آنها گاهی دشوارتر از اندازهگیری مستقیم دمای خاک است، ارائه شدهاند. اکبرزاده و همکاران - 2009 - ظرفیت تبادل کاتیونی 80 نمونه خاک از ایران را به وسیله شبکههای عصبی1 مختلف مدلسازی نمودند. آن ها از رگرسیونهای خطی چندگانه، شبکه های عصبی-فازی2 و شبکههای پس انتشار خطا استفاده نمودند. نتایج نشان داد که شبکههای عصبی- فازی نسبت به رگرسیونهای چندگانه و شبکههای پس انتشار خطا عملکرد بهتری داشتند.
در سایر شاخههای علوم مرتبط با آب و خاک نیز شبکههای عصبی - فازی کاربرد دارد. سبزی پرور و همکاران - 1388 - دمای خاک در سه اقلیم متفاوت را براساس مقایسه مدل شبکه استنتاج تطبیقی عصبی-فازی با مدلهای رگرسیونی بررسی نمودند. مقدار ضریب همبستگی - r - بین دمای خاک پیشبینی شده توسط شبکه ANFIS و مدل رگرسیون انتخابی با دمای واقعی خاک، نشان داد که با افزایش عمق خاک مقدار R کاهش مییابد.
یزدانی و همکاران - 1389 - روابط بین دادههای دمای هوا و خاک با استفاده از شبکه عصبی مصنوعی و روش-های رگرسیونی بررسی کردند. نتایج حاکی از قابلیت بالای سامانه تطبیقی عصبی- فازی در تخمین دما در اعماق مختلف است. سرمدیان و همکاران - 1390 - نمونههای جمع آوری شده از منطقه گرگان را موردآزمایش قرار دادند. نتایج ارزیابی مدلها براساس شاخصهای ریشه مربعات خطا، میانگین خطا، خطای استاندارد نسبی و ضریب تبیین نشان داد که مدل نروفازی دارای بالاترین دقت در پیشبینی ویژگیهای خاک را دارا می باشد.
Kumar و همکاران - 2012 - شبیهسازی تبخیر پتانسیل بااستفاده از شبکههای عصبی مصنوعی و مدل تطبیقی عصبی- فازی را در هند انجام دادند. نتایج این بررسی نشان داد که این دو مدل به خوبی قادر ب آموزش و آزمون میباشند. البته مدل تطبیقی عصبی- فازی بهتر از شبکههای عصبی در این مورد عمل میکند. به اعتقاد نجفی مود و همکاران - 1387 - به دلیل خطای به وجود آمده در هنگام اندازه گیری دمای اعماق خاک توسط دماسنجهای معمولی، عملیترین روش برای پیشبینی دمای خاک استفاده از دادههای هواشناسی بالای سطح خاک میباشد.
هدف اصلی در این پژوهش بررسی و مقایسه شبکه عصبی با شبکههای عصبی- فازی برای شبیهسازی دمای خاک در اعماق مختلف با استفاده از پارامترهای هواشناسی و ارزیابی دقت این روابط در مقایسه با دادههای واقعی ثبت شده میباشد.در انجام این پژوهش فرض میشود بین عوامل جوی بیرون از خاک با کنش و واکنش های فیزیکی داخل خاک نظیر نوسانات دمای خاک ارتباط فیزیکی وجود دارد. بنابراین، با در نظر گرفتن این فرض، میتوان با بکارگیری عوامل جوی، دمای خاک را برآورد نمود. در ضمن فرض شده است که سامانههای هوشمند عصبی قادر به پیشبینی مقدار دمای خاک در عمقهای مختلف میباشند.
مواد و روشها
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 هامونها و 2060 کیلومتر مربع به گودالهای 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 متر و متوسط دمای آن در سال 82 از 47 الی -10 درجه سانتی گراد در تغییر است.
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 نرونهای 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 دسته ای 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 لایه ها 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 می دهد - زارع امینی و همکاران، . - 1391
شبکه استنتاج تطبیقی عصبی-فازی - ANFIS -
در این ساختار مجموعههای فازی را می توان به عنوان وزن ارتباطات و متغیر های ورودی و خروجی را به عنوان نورون ها تفسیر کرد و الگوریتم یادگیری ساختارها، پارامترها و یا هر دو آن ها را اصلاح میکند. برای ایجاد این شبکه باید چند پارامتر نوع تابع عضویت، تعداد تابع، روش یادگیری، و تعداد اپوک بهینه شوند. برای این کار همه حالات با سعی و خطا به دست میآید. توانایی پیاده سازی دانش بشری با استفاده از مفاهیم بر چسبهای زبانی و قواعد فازی، غیر خطی بودن و قابلیت سازش پذیری این سیستمها و دقت بهتر آنها در مقایسه با سایر روشها در شرایط محدودیت دادهها، از جمله مهمترین ویژگیهای این سیستمهاست.
