بخشی از مقاله
چکیده
برای برنامه ریزی شهری، کاربری اراضی و مدیریت منابع آب حوزه آبخیز فراهم آورد که نقش پیش بینی صحیح پدیده های هیدرولوژیک، مانند فرآیند بارش-رواناب میتواند اطلاعات موثری مهمی در کاهش اثرات سیلاب و خشکسالی بر سیستمهای منابع آب دارد. هدف از این تحقیق بررسی کارایی مدل شبکه عصبی مصنوعی در شبیه سازی فرآیند بارش-رواناب و شناسایی تأثیر رواناب به عنوان ورودی در کارایی مدل بوده است.
نتایج نشان می دهد که مدل MLP با مقدار RMSE برابر 0/01105، مقدار ضریب کارایی ناش ساتکلیف برابر 0/72883 و ضریب همبستگی برابر 0/85728، با خطای کم و همبستگی دقت وکارایی بالا میتواند فرآیند بارش - رواناب را مدل سازی و پیش بینی کند. ترکیب هایی که رواناب را نیز به عنوان ورودی دارند نسبت به ترکیب هایی که فقط بارش را به عنوان ورودی لحاظ می کنند کارایی بیشتری داشتند. بهترین پیش بینی با ترکیب - بارش روز جاری، بارش روز قبل، دبی روز قبل، دبی دو روز قبل و دبی سه روز قبل - انجام می شود و در صورت نبود داده های دبی، ترکیب - بارش جاری و بارش روز قبل - نیز به طور قابل قبولی می تواند دبی خروجی را پیش بینی کند.
مقدمه
پیش بینی صحیح پدیده های هیدرولوژیک، مانند فرآیند بارش-رواناب می تواند اطلاعات موثری برای برنامه ریزی شهری، کاربری اراضی و مدیریت منابع آب حوزه آبخیز فراهم آورد که نقش مهمی در کاهش اثرات سیلاب و خشکسالی بر سیستمهای منابع آب دارد. فرآیند بارش - رواناب یک حوزه آبخیز یکی از پیچیدهترین فعالیتهای هیدرولوژیک میباشد، چرا که در برگیرنده تغییرپذیری زمانی و مکانی بسیار گسترده ای است.
مسائل با میزان بالای پیچیدگی و عدم قطعیت که در نظر گرفتن همه پارامترهای فیزیکی موثر مشکل است، مدلهای جعبه سیاه که داده های ورودی را به مقادیر خروجی تبدیل می کنند، می توانند نتایج دقیق تری از مدل های فیزیکی داشته باشند. روشهای هوش مصنوعی - شبکه عصبی و سیستم عصبی فازی - ابزار های مدل سازی جعبه سیاه هستند که اخیراً در بخشهای مختلفی از جمله مدل سازی بارش - رواناب کاربرد پیدا کردهاند
پیش بینی دبی رودخانه یکی از مهمترین مسائل هیدرولوژیکی است که برای مدیریت سیلاب بسیار مهم است. پیش بینی منطقی از دبی روزانه نه تنها اطلاعات مفیدی برای مدیریت منابع آب در اختیار ما قرار می دهد، بلکه برنامه ریزی دقیقتری جهت استحصال مناسبتر آب ایجاد کرده و نیز از حوادث غیر قابل تصور جلوگیری میکند.
از اهداف شناخت فرآیند بارش رواناب میتوان به ذخیره آب، کنترل سیلاب، آبیاری، زهکشی، کیفیت آب، تولید انرژی، مراکز تفریحی، پرورش ماهی، گسترش حیات وحش و ... اشاره کرد
حوزه آبخیز کورکورسر در بالادست شهر نوشهر قرار دارد لذا پیش بینی هر چه دقیق تر دبی این رودخانه با توجه به موقعیت این حوضه جهت طرح های مهار سیل ضرورت دارد. هدف از این تحقیق شبیه سازی فرآیند بارش-رواناب با استفاده از شبکه عصبی مصنوعی در حوزه آبخیز کورکورسر نوشهر، بررسی کارایی مدل ANN در شبیه سازی فرآیند بارش-رواناب و شناسایی تأثیر رواناب به عنوان ورودی در کارایی مدل است.
فرآیند بارش - رواناب
هرگاه بارش به وقوع پیوسته بر روی یک حوزه آبخیزبیش از ظرفیت نفوذ خاک باشد، بخشی از آب حاصله از بارش به صورت رواناب بر روی سطح حوضه جاری میشود. یکی از مهمترین محاسبات هیدرولوژیکی برای یک حوضه، تعیین ارتباط بین بارش - رواناب در آن است. میزان تبدیل آب حاصل از بارش به حجم رواناب وابسته به پارامترهای اقلیمی و فیزیکی حوضه است
شبکه عصبی مصنوعی
محاسبات نرم یک روش جدید محاسباتی است که توانایی های شاخص ذهن انسان را برای استدلال و فراگیری در یک محیط نامعین و نادقیق گرد هم میآورد
شبکه عصبی مصنوعی که الهام گرفته از شبکه عصبی بیولوژیکی مغز انسان است، شامل شبکه ای از نرونها بوده که قادر است رفتار پیچیده بین نرونها را نشان دهد. توانایی یادگیری، مهمترین ویژگی شبکه عصبی و هر سیستم هوشمند است که با پردازش دادهها، قوانین نهفته در انبوه دادهها را به ساختار شبکه عصبی انتقال میدهد
یکی از مهم ترین انواع شبکه های عصبی، شبکه های MLP - پرسپترون چند لایه - 1 میباشند. در هر لایه تعدادی نورون در نظر گرفته میشود که به نورون های لایه های مجاور وصل میشوند. در این شبکهها ورودی موثر هر نورون، حاصل ضرب خروجی نورون های لایه قبل در وزنهای میان آن نورون ها است. نورون های لایه اول اطلاعات ورودی را گرفته و از طریق اتصالات مربوطه به نورون های لایه مخفی منتقل میکنند. در لایه مخفی پس از محاسبه ورودی موثر هر نورون، این ورودی از یک تابع محرک گذرانده میشود. برای این کار توابع محرک مختلفی ارائه شده است. گرایش بیشتر محققان به استفاده از توابع محرک کران دار میباشد که مشهورترین آنها تابع سیگموئید است
پیشینه تحقیق
نصری و همکاران 1388 - ؛ - 1389 در دو تحقیق جداگانه با به کار بردن شبکه های عصبی مصنوعی در حوزه آبریز سد زاینده رود، گزارش کردهاند که شبکه عصبی پرسپترون با 4 نورون لایه مخفی اعتبار بیشتری نسبت به سایر شبکهها دارد و پیشنهاد نموده اند که اعتبار شبکه های عصبی مورد استفاده در شبیه سازی رابطه بارندگی رواناب از طریق آماری نیز مورد آزمون قرار گیرد.
طباطبایی و همکاران - 1389 - پژوهشی با عنوان بررسی تأثیر پارامترهای ورودی بر عملکرد مدلهای شبکه عصبی مصنوعی بارش - رواناب در حوزه آبریز طرق - خراسان رضوی انجام دادهاند و بیان داشتهاند: با توجه به طبیعت غیرخطی و اتفاقی پدیده های هیدرولوژیکی کاربرد شبکه های عصبی مصنوعی در این علم کاملاً قابل توجیه است
در این تحقیق نیز نوعی از شبکه های عصبی مصنوعی یعنی شبکه های پرسپترون چند لایه برای مدلسازی رواناب ناشی از بارندگی استفاده شده است بدین منظور سه شبکه عصبی مجزا با ورودیهای مختلف مورد بررسی قرار گرفته که از این طریق تأثیر عوامل مختلف بر روی دبی محاسباتی توسط شبکه بررسی شده است همچنین هر سه شبکه با توابع محرک متفاوت آزمایش شده و نتایج حاصل از کلیه حالات با استفاده از معیارهای سنجش خطا و نکویی برازش مقایسه گردیده شده است و در نهایت دو مدل شبکه عصبی MLP با هشت نورون ورودی و یازده نورون در لایه میانی بهترین عملکرد را ارائه نمودند. عملکرد مدل های مختلف با افزایش تعداد پارامترهای موثر در لایه ورودی بهبود می یابد.
صف شکن و همکاران - 1390 - شبیه سازی آب نمود بارش - رواناب را با توجه به الگوی زمان بارش و استفاده از شبکه عصبی مصنوعی در حوزه آبریز معرف کسیلیان انجام دادهاند و اظهار داشتهاند که در شرایط نبود اطلاعات جزئی، مدل شبکه عصبی مصنوعی میتواند برای شبیه سازی پارامترهای آب شناختی مورد استفاده قرار گیرد.
در پژوهش میرزایی و خزایی - 1390 - با عنوان مدل سازی بارش - رواناب - تأثیر تغییر پارامترهای شبکه در میزان دقت پیش بینی - ، از دو نوع شبکه عصبی MLP و RBF1 به عنوان پرکاربردترین نوع شبکه های عصبی استفاده شده است. نتایج نشان داد که هر دو نوع شبکه عصبی مصنوعی بکار رفته در تحقیق حاضر قادر به شبیه سازی رواناب در ایستگاه های مورد بررسی بجز ایستگاه پل زهره را نشان می دهد. در مجموع نتایج شبکه RBF قابلیت و کارایی بیشتری در شبیه سازی رواناب در ایستگاه های مورد بررسی را نشان داده است. هم چنین در مقایسه با مراحل آموزش و تست، در مرحله تست رواناب شبیه سازی شده به رواناب مشاهداتی مقادیر نزدیکتری را ارائه داده است.
در مقاله طاهرشمسی و همکاران - 1391 - با عنوان مدلسازی بارش - رواناب با استفاده از 2 مدل مختلف شبکه عصبی در حوزه آبریز آقچای واقع در استان آ.غربی، رابطه بارش - رواناب با استفاده از سه مدل مختلف شبکه های عصبی از جمله: شبکه های عصبی پرسپترون چند لایه - MLP - و توابع شعاعی پایه - RBF - ارائه شده است. در نهایت با مقایسه نتایج، مدل شبکه RBF که با استفاده از الگوریتم خوشه بندی K-means آموزش داده شده است، به عنوان مدل برتر برای پیش بینی رواناب در حوزه آبریز آقچای انتخاب شد.
نتایج تحقیق موتلو2 و همکاران - 2008 - در مقایسه مدلهای شبکه عصبی مصنوعی برای پیش بینیهای هیدرولوژیک در چندین ایستگاه در یک حوزه آبخیز با کاربری کشاورزی حاکی از آن بوده است که مدلهای ANN ابزار مفیدی برای پیش بینی پاسخ هیدرولوژیک در چندین نقطه مورد نظر در حوزه های آبخیز کشاورزی هستند
