بخشی از مقاله
چکیده
تبخیر پتانسیل بهعنوان یکی از مهمترین مؤلفههای هیدرولوژی آب و هواشناسی محسوب میشود که پیامد اثر ترکیبی شماری از متغیرهای هواشناختی است که این متغیرها دارای روابط مستقیم و غیرمستقیم باهم هستند. در این مطالعه بهمنظور کشف روابط خطی و غیرخطی و چگونگی تأثیر متغیرهای هواشناختی بر تبخیر پتانسیل تبریز از مدلهای تجمعی تعمیمیافته - GAM - و مدل خطی تعمیمیافته - GLM - استفاده شد.
به این ترتیب، مقادیر ماهانه متغیرهای هواشناختی شامل دما و فشار هوا در سطح دریا، نم نسبی، سرعت باد و ساعات آفتابی بهعنوان متغیرهای مستقل و مقدار تبخیر تشت ایستگاه سینوپتیک تبریز بهعنوان متغیر پاسخ در این مدلها در نظرگرفته شد. نتایج حاصل از برازش دو مدل GAM و GLM نشان داد که نم نسبی در ترکیب با سایر متغیرهای هواشناختی از تأثیر خطی و غیرخطی معناداری بر گرادیان تبخیر پتانسیل برخوردار نیست.
به این ترتیب بهترین ترکیب متغیرهای هواشناختی در مدلهای GAM و GLM براساس آماره AIC بهترتیب به مقدار -84 و -62 و خطای محاسباتی 0/71 و 0/76 میلیمتر بهدست آمد. همچنین نتایج حاصل از ارزیابی مؤلفههای هموارساز اسپلاین مدل GAM آشکار کرد شدت حساسیت و واکنش تبخیر پتانسیل نسبت به هر واحد تغییر از این متغیرها به مقدار مطلق آن متغیر در ترکیب با سایر متغیرها بستگی دارد.
مقدمه
از نظر هیدرولوژی تبخیر به مجموعه پدیدههایی گفته میشود که آب را صرفاً از راه یک فرایند فیزیکی به بخار تبدیل میکنند. عواملی که میزان تبخیر را مشروط میسازند بر حسب اینکه وابسته به هوای مجاور یا سطح تبخیرکننده باشند به دو دسته کاملاً متمایز تقسیم میشوند. عواملی که مربوط به هوای مجاور سطح تبخیر بوده و بهواقع محرک آن هستند به نام عوامل هواشناسی و یا عوامل قدرت و یا توان تبخیر جو از آنها یاد میشود.
- راخچا و سینگ 1، 2009؛ رمنیراس2، . - 1363 بنابراین، پتانسیل تبخیر جو، برآیند اثر ترکیبی چندین عنصر هواشناختی است - آلن3 و همکاران، - 1998 که مهمترین آنها عبارتند از دمای هوا، نم نسبی - یا اختلاف بخار برای اشباع هوا - ، سرعت باد، ساعات آفتابی و فشار هوا - وان باول4، 1966؛ شادمانی و معروفی، 1390؛ خورشیددوست و همکاران، . - 1394 بهطوریکه مقدار تبخیر پتانسیل، وابسته به چگونگی اندرکنش متغیرهای هواشناختی در هر منطقه آب و هوایی است. چنانکه واکنش کلی تبخیر پتانسیل به هریک از این متغیرها، بستگی به اهمیتی دارد که آن متغیر در محیط مورد بررسی برعهده دارد. بهعنوان نمونه، در مکانهای بادخیز، اهمیت سرعت باد در میزان تبخیر پتانسیل نسبت به مکانهای با هوای آرام، افزایش پیدا میکند.
از سویی با تغییر هر یک از این عناصر هواشناختی، ضمن اینکه مابقی عناصر به تغییر یادشده واکنش نشان میدهند، اثر کلی این تغییر و واکنشها، در مقدار تبخیر پتانسیل جو نمود پیدا میکند - جهانبخش و همکاران، . - 1393 بنابراین بدیهی است که واکنش تبخیر پتانسیل نسبت به متغیرهای هواشناختی با توجه به تغییرات مکانی و زمانی که این متغیرها دارا هستند، از ماهیت پیچیدهای برخوردار است.
از سویی بهسبب رابطه تنگاتنگی که تبخیر پتانسیل به طور مستقیم با بسیاری از جنبههای حیات بشر دارد پژوهشهای فراوانی در مورد پیشبینی، پارامترسازی و ارتباط متغیرهای هواشناختی با این متغیر هیدرو متئورولوژیکی با استفاده از روشهای آماری، تجربی، آزمایشگاهی، هوش مصنوعی انجام گرفته است که حجم و تاریخچه این مطالعات نشان از اهمیت و توجه جوامع علمی از دیرباز به پدیده تبخیر و مؤلفههای مرتبط با آن دارد.
ولیزاده کامران - 1393 - با محاسبه تبخیر تعرق پتانسیل به روش استنفزا در آذربایجان شرقی و ترسیم نقشه آن برای روز 11 خردادماه به این نتیجه رسید که مقدار تبخیر تعرق پتانسیل در منطقه تحت بررسی از 0 تا 15 میلیمتر در ساعت در نوسان است. از سویی نتایج این مطالعه نشان دادند که ارتفاع و جهت شیب بهعنوان مهمترین عامل در ایجاد نوسان مکانی تبخیر تعرق پتانسیل در آذربایجان شرقی محسوب میشوند.
خورشیددوست و همکاران - 1395 - با مدلسازی و ارزیابی تأثیرات مستقیم و غیرمستقیم عوامل هواشناسی بر تبخیر پتانسیل دوره گرم شهرستان تبریز با استفاده از معادلات ساختاری نشان دادند که چه مقدار از تأثیر هر یک از متغیرهای هواشناسی بر تبخیرپتانسیل ناشی از متغیر رابطی است که چه بسا با کنترل و یا ثابت نگهداشتن آن متغیر واسط، میتوان به میزان تأثیرگذاری واقعی هر متغیر بر تبخیر پتانسیل آگاهی پیدا کرد.
عیسیزاده و همکاران - 1396 - با 10 ترکیب گوناگون از 7 متغیر هواشناختی شامل دمای هوا، دمای شبنم، نم نسبی، فشار سطح ایستگاه، سرعت باد، بارش و ساعات آفتابی به بررسی کارایی عملکرد شبکه عصبی مصنوعی و ماشین بردار پشتیبان در برآورد مقدار تبخیر ایستگاه سینوپتیک تبریز و مراغه پرداختند. نتایج این مطالعه نشان داد که در حالت کلی هر دو مدل از کارائی مناسبی در تخمین تبخیر هر دو ایستگاه برخورداند.
همچنین نتایج حاصل از برازش تک ورودی متغیرها نشان داد که دمای هوا و ساعات آفتابی بیشترین تأثیر را در برآورد تبخیر دارند. همچنین نتایج حاصل از برازش انفرادی هریک از این 7 متغیر نشان داد که اتخاذ دمای هوا و ساعات آفتابی در هر دو مدل، کمترین خطا را نسبت به سایر متغیرها در برآورد تبخیر به دنبال دارند. کیشی و سیمن - 2009 - دقت مدل ماشین بردار پشتیبان - - SVM- در بازتولید تبخیر تعرق حاصل از معادله پنمن مونتیث فائو را با مدلهای تجربی پنمن سیستم مدیریت آبیاری کالیفرنیا، هارگریوز، ریتچی، تورک و شبکه عصبی مصنوعی مقایسه کردند.
در این راستا از دادههای نم نسبی، دمای هوا، تابش خورشید و سرعت باد ثبتشده در سه ایستگاه واقع در ایالت کالیفرنیا بهعنوان ورودی این مدلها بهره گرفتند. ارزیابی نتایج حاصل از این مدلها براساس معیارهای آماری ضریب تعیین، ریشه میانگین مربعات خطا - RMSE - و میانگین مطلق خطا - MAE - نشان داد که مدل SVM- مقدار تبخیر حاصل از معادله پنمن منتیث فائو را در ایستگاه های وینزر، اوکویل و سانتا روزا به ترتیب با خطای 0/138، 0/114 و 0/155 میلیمتر در روز تخمین زده است. این مقادیر خطا حاکی از عملکرد بهتر مدل SVM- نسبت به سایر روشهای مورد استفاده در برآورد تبخیر بود.
علی و ساراف - 2015 - 5 با کاربرد دمای هوا، نم نسبی، سرعت باد، ساعات آفتاب و مقدار تبخیر تشت بهعنوان ورودی دو روش شبکه عصبی مصنوعی و رگرسیون چند متغیره، تبخیر ایالات راجستان هند را مدلسازی کردند. نتایج این مطالعه نشان داد که مدل شبکه عصبی مصنوعی با خطای0/882، تبخیر را دقیقتر از مدل رگرسیون خطی با خطای 1/06 شبیهسازی میکند.
تزل و بویوکیلدیز - 2015 - 6 بهمنظور پیشبینی ماهانه تبخیر از شبکه عصبی مصنوعی پرسپترون چند لایه، شبکه تابع پایه شعاعی و ماشینهای بردار پشتیبان - - SVM- استفاده کردند. به این ترتیب، دادههای دما، نمنسبی، سرعت باد و بارش را بهعنوان ورودی و مقدار تبخیر را بهعنوان خروجی مدلهای یادشده در نظر گرفتند. نتایج حاصل از مقایسه تبخیر محاسبهشده شبکههای عصبی مصنوعی و SVM- با تبخیر تشت نشان از عملکرد یکسان هر دو مدل در تخمین تبخیر ماهانه دارد.
از سویی نتایج نشان داد که شبکههای عصبی مصنوعی و SVM- از کارایی بهتری در تخمین تبخیر ماهانه نسبت به دو مدل تجربی روماننکو 7 و میر8 برخوردارند. شی 9 و همکاران - 2017 - با مطالعه نوسانات فضایی و زمانی تبخیرپتانسیل و عوامل محرک آن با استفاده از اطلاعات ثبت شده در 22 ایستگاه هواشناسی در تبت دریافتند که تبخیر پتانسیل طی دوره آماری 2001-1961 دستخوش کاهش معناداری شده است.
همچنین ایشان با ارزیابی متغیرهای هواشناختی مؤثر در تبخیر پتانسیل، اختلاف فشار بخار اشباع را بهعنوان مهمترین عامل در تعیین تبخیر پتانسیل نشان دادند. مهمترین هدف این مطالعه، بررسی چگونگی واکنش تبخیرپتانسیل در مقابل گرادیانهای ترکیبی متغیرهای هواشناختی و کشف روابط خطی و غیرخطی که این متغیرها بهصورت ترکیبی با تبخیر پتانسیل دارند است.
دادهها و روشها
به منظور ارزیابی تأثیر عناصر هواشناختی بر تبخیر پتانسیل شهر تبریز، ابتدا دادههای ماهانه عناصر هواشناختی همچون دمای هوا، فشار هوا در سطح دریا، سرعت باد، نم نسبی و ساعات آفتابی که در مطالعات پیشین و متون علمی مشخصشده که نقش مهمی در گرایش تبخیر پتانسیل دارند بهعنوان متغیرهای مستقل یا تبینی در نظر گرفته شدند.
با توجه به اینکه میزان تبخیر اندازهگیری شده توسط تشت یا حوضههای آزمایشی و سفرههای آزاد آب کمعمق نیز میتوانند با وجود اینرسی حرارتی کم و بیش زیاد این وسایل، تا اندازهای معرف پتانسیل تبخیر جو باشند - رمنیراس، - 1363 ، بنابراین دادههای ماهانه تشت تبخیر ایستگاه سینوپتیک تبریز بهعنوان متغیر پاسخ یا وابسته اتخاذ شد.
شایان توجه است که دادههای هواشناختی و دادههای تبخیر با پوشش زمانی 2011-1992 مربوط به ماههای، آوریل، می، ژوئن، ژوئیه، آگوست، سپتامبر و اکتبر یعنی ماههای که مقدار تبخیر در ایستگاه تبریز ثبت شدهاند است. زیرا در سایر ماههای سال هک عمدتاً در فصل زمستان قرار دارند، مقدار تبخیر در این ایستگاه اندازهگیری نمیشود.
اندرکنش و تأثیر متغیرهای هواشناختی و هیدرولوژیکی بهصورت خطی و غیرخطی است. بنابراین در این مطالعه برای آگاهی از چگونگی رابطه و تأثیر عناصر هواشناختی بر تبخیر پتانسیل از مدل خطی تعمیمیافته - GLM - و مدل جمعی تعمیمیافته - GAM - که به ترتیب قادر به کشف رابطه خطی و غیرخطی عناصر هواشناسی بر تبحیر پتانسیل هستند، استفاده شد.
مدل خطی تعمیم یافته 10 - GLM - و مدل جمعی تعمیم یافته 11 - GAM - مدل خطی تعمیم یافته - GLM - یک مدل پارامتری بوده که بسط مدلهای خطی است. در این مدل، فرمول ارائه میشود و رابطه بین متغیرهای مستقل و وابسته به وسیله پارامتر برآوردشده رگرسیون و فاصلههای اطمینان سنجش میشود. مدل GLM بسط مدلهای خطی را به صورت رابطه 1 نشان میدهد.
