بخشی از مقاله

خلاصه

اثرات تغییر تراز آب دریای خزر بهعنوان بزرگترین پهنه آبی محصور در خشکی، روی فرآیندهای فیزیکی همچون تبخیر، چرخه آب و رسوبگذاری، روی فعالیتهای زیستی همچون اکولوژی ساحلی و روی فعالیتهای انسانی، همچون صنایع دریایی بسیار گسترده است. آگاهی از این نوسانات در بررسی مسائل فوق بسیار حائز اهمیت است. روشهای مختلفی همچون شبکه عصبی مصنوعی، برنامهریزی بیانژن و مدل شبکه تصمیمگیری بیزین برای پیشبینی تغییرات تراز آب سطح آب دریا کاربرد دارند. ارائه معادله ریاضی بین متغیر وابسته و سایر متغیرهای مستقل در مدل برنامهریزی بیزین همچنین ارائه یک روش حل صریح بین مولفههای ورودی و خروجی در روش برنامهریزی بیانژن، این الگوریتمها را به ابزاری قوی و مناسب برای حل مسائل مدلسازی تبدیل میکند.

در پژوهش حاضر از روشهای برنامهریزی بیانژن، مدل شبکه تصمیمگیری بیزین و همچنین از شبکه عصبی مصنوعی برای پیشبینی نوسانات تراز آب دریای خزر استفاده شده است. از دادههای ماهانه نوسانات تراز آب دریای خزر از سال 1359 تا سال 1392برای شبیهسازی استفاده شد. برای ارزیابی مدلها از نمایههای ضریب تبیین - R2 - و جذر میانگین مربعات خطا - RMSE - استفاده شد. نتایج حاصل حاکی از دقت مطلوب برنامهریزی بیان ژن با R2 = 0.875 و RMSE = 6. 556 - cm - و مدل شبکه تصمیمگیری بیزین با R2 = 0.877 و RMSE = 6. 596 - cm - نسبت به شبکه عصبی مصنوعی با R2=0.879و RMSE=59.041 - cm - در شبیهسازی نوسانات سطح آب میباشد.

-1  مقدمه

تراز آب پهنههای آبی عامل مهمی در روند فعالیتهای طبیعی آنها به شمار میآید. حجم، سطح آب و شکل سواحل پهنههای آبی تابعی از تراز آب آن است که در طول زمان تغییر میکند. تغییر بلند مدت تراز آب اقیانوسها به آرامی صورت میگیرد و عمدتاً به دلیل تغییر اقلیم و فرآیندهای زمینشناختی میتواند حادث شود، این در حالی است که نوسان تراز آب پهنههای آبی بسته، در زمان کوتاهتر بروز میکند و علاوه بر عوامل یاد شده، عوامل انسانی نیز به سرعت اثر خود را نشان میدهند. نوسان بلندمدت تراز آب دریای خزر بهعنوان بزرگترین حوضه آبریز محصور در خشکی به علت بیلان آب آن، در طی سالهای اخیر برای ساکنان مناطق ساحلی خزر کاملاً موثر بوده است. حرکت آب در حوضه، تغییر شکل حوضه، شوری آب و تغییر بیلان آب حوضه همگی باعث نوسان تراز آب خزر میشوند.

اثرات تغییر تراز آب به سرعت در ناحیه ساحلی مشاهده میشود، تغییر شکل سواحل نظیر خشک شدن یا غرقابی شدن پهنه ساحلی، خشک شدن یا تشکیل مردابها و تغییر گستره خلیجها و دلتاها و شکلگیری محیطهای آبی جدید نخستین پیامد نوسان تراز آب دریای خزر است. تغییر در پارامترهای فیزیکی و شیمیایی آب، تغییر زیستگاه جانداران و جابجایی زیستگاه آبزیان و تغییر در تراکم و تنوع زیستی از مهمترین پیامدهای نوسان تراز آب خزر است.

مدیریت اراضی خط ساحلی بهمنظور ساخت و ساز، کشاورزی، حمل و نقل آبی، مدیریت سفرههای آب زیرزمینی منطقه، اکولوژی منطقه، مسائل زیست محیطی و … متأثر از نوسانات تراز آب دریا میباشد. بنابراین بررسی و پیشبینی نوسانات سطح آب دریاها و اقیانوسها با استفاده از روشهای نوین دادهکاوی میتواند در مدیریت بهینهی مناطق ساحلی کارگشا باشد. مدل شبکه تصمیمگیری بیزین یکی از انواع مختلف سیستمهای پشتیبانی تصمیم است. شبکه بیزین از مجموعه گرههای متصل به هم تشکیل شده است که دو حالت وقوع و عدم وقوع هر فرآیند را بررسی میکند، از طرف دیگر این شبکهها را میتوان به عنوان هوش مصنوعی نیز قلمداد کرد.[1] برنامهریزی بیانژن1 توسط فریرا در سال 1999 ارائه شد . [2]

روش برنامهریزی بیانژن جزء روشهای الگوریتم گردشی محسوب میشود که مبنای آنها براساس نظریه تکامل داروین استوار است. برنامهریزی ژنتیک و برنامهریزی بیانژن از جدیدترین الگوریتمهای فراکاوشی هستند که به دلیل دارا بودن دقت کافی، مورد توجه پژوهشگران قرار گرفتهاند. تفاوت اساسی موجود بین الگوریتم ژنتیک و برنامهریزی بیانژن به طبیعت هریک از افراد برمیگردد، به نحوی که افراد در الگوریتم ژنتیک ردیفهای خطی با طول ثابت میباشند - کروموزمها - ولی در برنامهریزی بیانژن، همان شاخهها مجزا میباشند.

همچنین در برنامهریزی بیانژن بر ساختار درختی مجموعهها تاکید میشود ولی الگوریتم ژنتیک، براساس سیستم ارقام دودویی عمل مینماید . [3] شبکه عصبی مصنوعی یک سامانه پردازشی دادهها است که ایده آن از مغز انسان گرفته شده و پردازش دادهها را به عهده پردازندههای کوچکی به نام نورون سپرده که بهصورت شبکهای بههمپیوسته و موازی با یکدیگر رفتار میکنند تا یک مسئله را حل نمایند. با ایجاد شبکهای بین این نورونها و اعمال یک الگوریتم آموزشی به آن، شبکه را آموزش میدهند. پژوهش حاضر به منظور بررسی عملکرد برنامه-ریزی بیان ژن، شبکه بیزین و شبکه عصبی در تخمین تراز سطح آب دریای خزر انجام گردید. با تعیین مناسبترین روش برآورد نوسانات آب دریای خزر، میتوان از آن در پیشبینی نوسانات سطح آب دریای خزر استفاده کرد.

-2  پیشینه تحقیق

استفاده از شبکه بیزین با توجه به رویکرد احتمالاتی برای مدلسازی عدم قطعیت، در مطالعات علوم مربوط به محیط زیست و منابع آب در دهه اخیر کاربرد وسیعی پیدا کرده است . [4] در این میان میتوان به پژوهش کاردانمقدم و روزبهانی - 1394 - در ارزیابی مدل شبکههای بیزین در پیشبینی ماهانه سطح آب زیرزمینی در آبخوان بیرجند، مددگر و مرادخانی - 2014 - در مطالعه تغییرات مکانی خشکسالی و توسعه مدل پیشبینی براساس خشکسالیهای گذشته برای پیشبینی خشکسالی در آینده و رجینی و ویترز - 2008 - در کاربرد مدلهای بیزین و با در نظرگرفتن عدم قطعیتهای موجود در پیشبینی تراز سطح آب جریان رود راین اشاره کرد.

پژوهش شیری و کیشی - 2001 - در بررسی نوسانات کوتاهمدت سطح آب زیرزمینی دو چاه در ترکیه، ترا اوره و گاون - 2012 - در تخمین تبخیر-تعرق در منطقهای در آفریقا، قربانی و همکاران - 2010 - در روندیابی سیلاب رودخانه قزلایرماق ترکیه، آیتک و آلپ - 2008 - در مدلسازی فرآیند بارش -رواناب، لیونگ و همکاران در مدلسازی بارش - رواناب، آیتک و کیشی - 2008 - و آستوریکار و دی اُ - 2008 - در تخمین دادههای ناقص مربوط به ارتفاع امواج در خلیج مکزیک و بررسی پدیده حمل رسوب توسط آیتک و همکاران - 2008 - از جمله تحقیقاتی هستند که با استفاده از برنامهریزی بیانژن انجام و برتری آن نسبت به سایر روشها به اثبات رسیده است.

کاربرد شبکههای عصبی مصنوعی در شاخههای مختلف علوم و مهندسی آب روزافزون شده است. این شبکهها قادرند هر تابع ریاضی غیرخطی را بهصورت تقریب معینی در آورند و این خاصیت سبب میشود که پیشبینی سطح آب با استفاده از این شبکهها به خوبی انجام شود . [5] در این بین میتوان به کارهای کولیبالی و همکاران - 2001 - و یانگ و همکاران - 2009 - در پیشبینی تراز آب زیرزمینی، اسمیت و الی - 1995 - توکار و جانسون - 1999 - ، سولوماتین و دولال - 2003 - ، چیبانگا و همکاران - 2003 - در مدلسازی و تخمین متغیرهای هیدرولوژیکی، سجیزوگلو - 2003 - در تخمین و برونیابی جریان رودخانه، کیشی - 2004 - ، سجیزوگلو و کیشی - 2005 - در مدلسازی جریان رودخانه، جین و همکاران - 1999 - و کولیبالی و همکاران - 2005 - در پیشبینی جریان ورودی مخزن به کمک شبکههای عصبی مصنوعی اشاره کرد.

الویسی و همکاران - 2005 - به پیشبینی سطح آب با استفاده از روشهای منطق فازی و شبکه عصبی مصنوعی اقدام نموده و نتایج نشان داد که در مواردی که از اطلاعات ورودی دقیق استفاده شود، دقت روش شبکه عصبی مصنوعی نسبت به منطق فازی بیشتر خواهد بود. رامشتورف - 2007 - یک روش نیمهتجربی برای پیشبینی نوسانات سطح آب دریاها بر اساس تغییرات درجه حرارت کره زمین ارائه نمود. نتایج پژوهش ماکارینسکای و همکاران - 2004 - در پیشبینی نوسانات سطح آب اقیانوس در استرالیا نشان داد که استفاده از روش شبکه عصبی مصنوعی باعث حصول مقادیر واقعیتر می-گردد[6]، [7] و .[8]

-3     روش کار - مواد و روشها -

-1-3 منطقه مورد مطالعه

دریای نیمهشور و بسته خزر بین دو قاره آسیا و اروپا واقع شده، که گاهی بزرگترین دریاچه جهان و گاهی به عنوان کوچکترین دریای خودکفای کره زمین طبقهبندی میشود، که بزرگترین پهنه آبی محصور در خشکی است. خط ساحلی دریا حدود 7 هزار کیلومتر، مساحت آن 371 تا 386 هزار کیلومترمربع و حجم آب آن نیز 78700 کیلومترمکعب است. طول آن حدود 1030 تا1200 کیلومتر و عرض آن بین196 تا 435 کیلومتر است.

سطح آب دریاچه در حدود 26 تا 28 متر - برحسب سالهای مختلف - پایینتر از سطح آب دریاهای آزاد است. این دریا از طریق رودخانه ولگا و همچنین کانال ولگا- دن که مجهز به حوضچههای تنظیم سطح آب و برقراری همترازی آب است، به طور غیر مستقیم با دریای آزوف و دریای سیاه ارتباط دارد. دادههای مورد استفاده در تحقیق حاضر شامل مقادیر ماهیانه نوسانات تراز آب دریای خزر در طی یک دوره آماری 33 ساله، از سال 1359 تا سال 1392 میباشد.

در متن اصلی مقاله به هم ریختگی وجود ندارد. برای مطالعه بیشتر مقاله آن را خریداری کنید