بخشی از مقاله
چکیده
یکی ازعوامل طبیعی که همواره باعث خسارتهای زیادی شده اند سیلابها می باشند. برای جلوگیری ازاین خسارتها پیشبینی سیلابها امری مهم تلقی می شود که نیاز به بررسی دادههای بارش دارد. اما پیش بینی بارش در یک ایستگاه نیازمند آمار و اطلاعات کافی از نحوه بارندگی در یک طول آماری طولانی در آن ایستگاه می باشد. لیکن فقدان داده های بارندگی و نواقص آماری آنها در برخی از ایستگاههای هواشناسی مشکلاتی را به همراه داشته و از دقت آن می کاهد. در تحقیق حاضر به منظور بازسازی داده های بارش یک ایستگاه از مدل شبکه عصبی - ANN - و مدل های ریاضی آزمون نسبت ها و تفاضل ها استفاده شد.
دراین روش از داده های ماهانه 4 ایستگاه در طول دوره آماره 1370 تا 1389 استفاده شد. که 70 درصد دادهها برای آموزش شبکه و 30 درصد هم برای صحت سنجی به کار برده شد . نتایج نشان داد که مدل شبکه عصبی مصنوعی از روش نسبت ها و تفاضل ها دقت بیشتری در بازسازی داده ها دارد و علاوه بر این هرچه تعداد داده های ورودی برای آموزش شبکه بیشتر باشد نتایج دقیق تر است.زمانی که از داده های 3 ایستگاه آقاجانبلاغی و مریانج و آق کهریز برای آموزش شبکه استفاده شد میزان RMSE=12.33 و ضریب تبعیین 0,88 است.
-1 مقدمه
ایران در اقلیم خشک و نیمه خشک واقع شده است، لذا پیش بینی بارش به منظور برنامه ریزی و مدیریت منابع آب در آن دارای اهمیت بسیار زیادی است. از این رو محققین بسیاری سعی در برآورد دقیق آن داشته و روش های مختلفی را به منظور پیش بینی آن بکار برده اند. اما پیش بینی بارش در یک ایستگاه نیازمند آمار و اطلاعات کافی از نحوه بارندگی در یک طول آماری طولانی در آن ایستگاه می باشد. لیکن فقدان داده های بارندگی و نواقص آماری آنها در برخی از ایستگاههای هواشناسی مشکلاتی را به همراه داشته و از دقت آن می کاهد.
بنابراین تحقیقات زیادی به منظور تکمیل آمار ایستگاهها صورت گرفته است. روشهای تولید داده با نام مولدهای هواشناسی از دهه ی 1960 کاربردی شده اند و ساختار غالب این روش ها ترکیبی ازمعادلات عددی، آماری و تجربی می باشد. که در نهایت هدفی جز شبیه سازی اطلاعات مصنوعی آب وهوا با ویژگی های معین منطبق بر مشاهدات ندارند.
جزء مشترک در همه ی این روش ها، جزء تصادفی می باشد که بر حسب نوع روش یا مستقیما عدد تولید شده استفاده می گردد یا متغیر نرمال استاندارد متناظر با آن - قمقامی،. - 1390 داده های شبیه سازی شده،زمانی استفاده می شوند که داده های تاریخی موجود نبوده و یا قابل اعتماد نمی باشند و یا اینکه داده های آتی مورد نیاز می باشند. برای شبیه سازی می توان از روش های تصادفی که فقط از میانگین های بلند مدت اقلیمی استفاده می کنند و یا از روشهای غیر تصادفی که بر اساس مقدار یک متغیر مقدار متغیر مورد نظر را تخمین می زنند،استفاده کرد.
ازاین رو موضوع بازسازی داده ها با روش ها و مدل های مختلف مورد بررسی قرار گرفته است.یکی از مدل هایی که در این زمینه مورد بررسی در بسیاری از نقاط جهان واقع شده مدل شبکه عصبی مصنوعی است.از مدل های ریاضی دیگری هم که در این زمینه مورد بررسی و تحقیق قرار گرفته است مدل ریاضی آزمون نسبت ها و تفاضل ها است.مدل هوش مصنوعی و شبکه عصبی اولین بار توسط کالچ و پیتس - - 1943 مطرح شده است.
کراس و همکاران - 1995 - در تحقیق خود نشان دادند که شبکه عصبی مصنوعی به عنوان یک مدل تشخیص شرایط ناپایدار و پارامترهای غیر خطی توانایی شناسایی روابط غیرخطی پیچیده را دارد و با دقت بیشتری نسبت به سایر روش های آماری از جمله رگرسیونی عمل می کند. ناماسیوایام و همکاران - - 2001 نشان دادند که هرگاه بین پارامترهای مورد بررسی رابطه غیر خطی آشکاری نباشد شبکه عصبی نمی تواند در مقایسه با روش آماری رگرسیون نتیجه بهتری را ارائه دهد. احمد و سیمونیک - 2000 - از شبکه عصبی سه لایه با خاصیت انتشار به عقب خطا و داده های ماهانه بارندگی جهت پیش بینی بارش ماهانه در مجارستان و اکراین استفاده کردند.
نتایج بدست آماده از این روش نشان داده است که داده های آموزشی و آزمایشی به داده های واقعی نزدیک بوده و شبکه عصبی توانایی زیادی در این زمینه دارا می باشد. عابدینی و پولادی - - 1382 شبکه عصبی را برای تخمین بارندگی روزانه در مناطقی از کهکیلویه و بویراحمد مورد استفاده قرار دادند ونتایج بدست آمده را با روش زمین آمار کریجینگ وروش های سنتی شامل عکس فاصله و نزدیک ترین همسایه مقایسه کردند و دریافتند که روش شبکه عصبی و کریجینگ جواب مطلوب ترو دقیق تری را ارائه می کند.
لاپرس و فاربر - - 1987 در گزارشی ارائه داده اند که با توجه به کاربرد فراوان شبکه عصبی در بازسازی داده ها و پیش بینی سری های زمانی در سال های اخیر بسیار مورد استفاده قرار گرفته است.هال و همکاران - - 1999 با استفاده از گروه های متصل شبکه ای بارندگی را مورد پیش بینی قرار دادند که داده های ورودی و خروجی با گروه های بهم پیوسته عصبی سازماندهی شده است و نتایج نشان داد میزان همبستگی بین داده های واقعی و شبیه سازی شده 95درصد است. - ناوونه و سیکاتو - 1994 به دلیل کاربرد فراوان شبکه عصبی در تخمین بارش در سال های اخیر مورد توجه بسیار قرار گرفته است.
شافعی و همکاران - 2011 - از شبکه عصبی مصنوعی برای پیش بینی بارش در منطقه اسکندریه در مصر استفاده کرده و مدل شبکه عصبی را با روش های آماری و مدل رگرسیون چند متغییر باهم مقایسه کردند و نتایج نشان داد که مدل شبکه عصبی از دقت بیشتری برخوردار می باشد. - زارع زاده مهریزی1386و منهاج - 1384 شبکه عصبی با دارا بودن قابلیت تشخیص,بهترین ارتباط را بین داده های ورودی و خروجی برقرار می کند. این روش نسبت به ایراد داشتن اطلاعات ورودی کمتر واکنش نشان می دهد مدل شبکه عصبی مصنوعی با توجه به داده های ورودی که آموزش دیده اند توانایی این را دارند که بدون وجود رابطه ریاضی رفتار سیستم را مورد بررسی و پیش بینی قرار دهند.
اکنون شبکههای عصبی با ساختار متنوع و وسیع در بسیاری از علوم از جمله مهندسی آب مورد استفاده قرار گرفته است. توکارو سنتون - - 1999 با شبکه عصبی اقدام به پیش بینی داده های بارش کردند و به این نتیجه رسیدند که مدل رواناب-بارش حاصل از شبکه عصبی مصنوعی در مقایسه با سایر روش های آماری از دقت بیشتری برخوردار است و زمان کمتری را برای برازش مدل نیاز دارد.
کاوازوس - - 2000 با استفاده از شبکه عصبی بارش روزانه بالگان را پیش بینی کرده و مورد بررسی قرار داد و دریافت که شبکه عصبی مصنوعی برای پیش بینی بارش ابزار دقیقی است. بسطامی و همکاران - - 2007 از شبکه عصبی مصنوعی جهت پیش بینی بارش و تراز سطح آب رودخانه بوداپ مالزی استفاده کردند و از مقایسه داده های مشاهده ای و پیش بینی شده به این نتیجه رسیدند که دقت پیش بینی مقادیر بارش 96,4 درصد بوده است.
ماریا و همکاران - - 2005از مدل های شبکه عصبی و رگرسیونی بارش در منطقه ای از برزیل استفاده کردند و به این نتیجه دست یافتند که براوردهای هر دو مدل تخمین دقیقی را ارائه می دهد.هانگ و همکاران - - 2008 برای پیش بینی داده های بارش بانکوک تایلند از شبکه عصبی مصنوعی استفاده کردند و نتایج نشان داد که مدل پیشرفته شبکه عصبی مصنوعی برای پیش بینی سیلاب بانکوک مناسب است.خلیلی - - 1385 با استفاده از شبکه عصبی مصنوعی بارش ماهانه ایستگاه سینوپتیک مشهد را مطالعه کرد. نتایج نشان داده است که شبکه عصبی به خوبی در پیش بینی داده های بارش این ایستگاه عمل کرده است.
-2 مواد و روشها
شبکه عصبی:
سرعت پردازش اطلاعات توسط مغز انسان برای محققان و دانشمندان جالب بود و در پی تلاش برای یافتن این عملکرد باعث دستیابی به شبکه هوش مصنوعی شد که اولین بار شبکه عصبی توسط وارن مک کلوث و والتر پیتر به اثبات رسید. شبکه های عصبی بر اساس درک از سیستم های شبکه بیولوژیکی می باشد.شبکه های عصبی بر اساس تعدادی از پردازنده های موازی که نرون نامیده می شود عمل می کند و یک ساختار انعطاف پذیر که می تواند روابط پیچیده غیرخطی را شناسایی و حل می نماید.این شبکه به روش صحیح و خطا کار می کندو یک پردازنده انبوه است که دارای توزیع های موازی می باشد.
شبکه عصبی اتصال بین نرون های شناخته شده و وزن های سیناپسی را مدل سازی کرده است.شبکه عصبی لایه ای را به عنوان ورودی دریافت کرده و تحت نرون های لایه اولیه و وزن های سیناپسی لایه پنهان پردازش می شود و لایه ای را به عنوان خروجی به ما می دهد.شبکه عصبی سه لایه ای دارای یک لایه ورودی و یک لایه پنهان و یک لایه خروجی می باشد.برای انتخاب تعداد نرون ها در شبکه قانون خاصی وجود ندارد و کلا بستگی به مهارت کاربر دارد.
شبکه با یک سری از داده ها آموزش داده می شود.داده های ورودی را گرفته و تحت نرون های ورودی یک خروجی را ارائه میدهد و آن را با مقادیر واقعی مقایسه می کند و خطا را بدست می آورد.این خطا سرشکن شده و شبکه باز این عمل را انجام میدهد تا به کمترین خطا برسد و خروجی نهایی را به ما می دهد.شکل - 1 - نمایی ازمدل شبکه عصبی را نشان می دهد.
