بخشی از مقاله
مدلسازی برآورد تبخیر با استفاده از روش شبکه عصبی BFGS و مدل رگرسیون خطی محلی (LLR)
چکیده
تبخیر، همچون بخش مهمی از چرخه هیدرولوژی، نقش کلیدی در توسعه و مدیریت منابع آب در مناطق خشک و نیمهخشک بازی میکند. اگرچه روشهای تجربی زیادی وجود دارد با این حال به علت پیچیدگی طبیعت فرآیند تبخیر و دادههای موجود، انجام آنها چندان رضایتبخش نیست. در این تحقیق یک مدل برآورد تبخیر بر اساس روش شبکه عصبی (BFGSNN ) و مدل خطی محلی((LLR ایجاد شد، BFGSNN با ضریب همیستگی معادل 0/723 و روش LLR با ضریب هبستگی برابر با .(0/562 اگرچه این دو روش به نظر قوی است، انتخاب دادههای ورودی کاملاً سخت و پیچیده میباشد. در این تحقیق از الگوریتم ژنتیک (GA) برای انتخاب بهترین ترکیب ورودی استفاده میشود. بسیاری از مطالعات به نتایج حاصل از این بخش نیازمندند. در این تحقیق از آزمون گاما (GT)، برای انتخاب دادههای آموزشی استفاده میشود، و همچنین این روش مهمترین عوامل مؤثر در تبخیر را تعیین میکند.
کلمات کلیدی: تبخیر، شبکه عصبی، مدل رگرسیون خطی محلی ، آزمون گاما
مقدمه:
تبخیر و تعرق همچون عوامل مهم چرخه هیدرولوژی در توسعه و مدیریت منابع آب مهم است.[10] کمیتهای ترمودینامیکی زیادی نظیر: فشار اتمسفر، چگالی هوا، گرمای ویژه در فشار ثابت، گرمای نهان تبخیر، نسبت وزن ملکولی آب به وزن ملکولی هوای خشک جهت پیشبینی و توضیح تبخیر مورد استفاده قرار میگیرند اگر چه صرفاً به این عوامل ختم نمی شوند [8] منطقه شهرکرد با بارندگی متوسط سالیانه 313 میلی متر در حوزه کارون شمالی قراردارد، در مناطق خشک و نیمه خشک اعمال مدیریت صحیح در زمینه بهره بر داری از منابع آب از اهمیت ویژهای بر خوردار است که شهر شهرکرد از این امر مستثنی نیست. بویژه در سالهای اخیر که خشکسالی به طور جدی این منطقه را تهدید نموده و بخشهای کشاورزی، صنعت و زندگی شهری و روستایی را تحت تاثیر قرار داده است. در این شرایط اعمال مدیریت ریسک در بخشهای مختلف منابع آبی بیش از هر زمان دیگر ضروری به نظر میرسد. این امر مستلزم داشتن اطلاعات کافی از کلیه عواملی است که در شکلگیری توسعه و محدود کردن منابع آب دخیل هستند. در این میان عامل تبخیر یکی از مهمترین آنهاست که با توجه به وضعیت آب و هوایی ، گرمای شدید و وزش بادهای موسمی تبخیر بخش اعظم تلفات آب در این منطقه را شامل میشود. پیچیدگی فرآیند تبخیر و کثرت اطلاعات مورد نیاز استفاده از روش های جدید را جهت برآورد تبخیر آشکار می سازد.[4] در طی سالهای اخیر نحقیقات زیادی با استفاده از مدل های هوشمند بر روی داده های هواشناسی صورت گرفته است. مولینا6 و همکاران در سال 2006 میلادی به شبیهسازی مدلی برای برآورد ساعتی تبخیر از تشتک تبخیر با استفاده از دادههای هواشناسی پرداختند.[14] پیری در سال 1386 در پایاننامهی کارشناسی ارشد خود، به بررسی توانایی روش شبکههای عصبی مصنوعی در پیشبینی تبخیر از سطح مخازن چاهنیمهی زابل پرداخت. نتایج به دست آمده نشان میدهد که پیشبینیهای به عمل آمده توسط این روش انطباق زیادی با دادههای واقعی دارند. وی یکی از دلایل این امر را استفاده از الگوریتم آموزشی Marquardt-Levenberg در فرآیند ساخت شبکه عنوان میکند. [1] کوچک زاده و بهمنی در سال 1384، از شبکههای عصبی مصنوعی را جهت کاهش پارامترهای مورد نیاز برای برآورد تبخیر استفاده کردند. آنها در تحقیقاتشان از هفت متغیر استفاده کردند، که در نهایت چهار متغیر برای برآورد تبخیر مفید ارزیابی شد. همچنین این روش را با روشهای تجربی مقایسه کردند و بیان داشتند که این مدل بسیار کارآمدتر است و در شرایطی که با کمبود اطلاعات سروکار داریم این روش راهکار مناسبتری بهشمار میآید.[4] غفاری در سال 1387 با استفاده از ماشینهای بردار پشتیبان(SVM) 7 میزان تبخیر را از مخازن چاهنیمه برآرود کرد. که ابتدا با استفاده از آزمون گاما نوع پارامترهای ورودی و تعداد آنها را برای آموزش شبکه انتخاب کرد سپس با استفاده از سه نوع SVM مقدار تبخیر را برآرود کرد . این سه نوع شامل SVM تک کلاسه8، اپسیلون-SVR9 و نو-SVR10 بود. نتایج این سه روش حاکی از برتری نو-SVM بود. او نتیجهگیری کرد که این مدل به علت استفاده از متغیرهای اقلیمی کم برای برآورد تبخیر نسبت به روش تجربی پنمن ارجعیت دارد.[3] مقدم نیا و همکاران با استفاده از سیستم استنتاج عصبی فازی میزان تبخیر روزانه چاه نیمه ها را مورد بررسی قرار دادند، ایشان برای اولین بار از مدل گاما برای انتخاب بهترین پارامترها جهت ورود به سیستم عصبی در ایران استفاده کردند .[13] متین ارتونک11 و هوسوز 12 در سال 2008 میلادی دو روش شبکه عصبی مصنوعی وشبکه عصبی-فازی را برای برآورد تبخیر مورد مقایسه قرار دادند که %70 دادهها را برای آموزش شبکه و از %30 باقیمانده را جهت آزمایش شبکه استفاده کردند، آنها نتیجه گرفتند که روش شبکه عصبی-فازی در مقایسه با روش شبکه عصبی مصنوعی نتایج بهتری را نشان میدهند.[12] مشیری و همکاران در سال 1385 از یک سیستم عصبی-فازی برای تلفیق دادهها جهت کشف اتوماتیک تغییرات مکانی ساختمانها استفاده کردند. آنها بیان داشتند که بسیاری از روشهای اتوماتیک ویژگیهای فازی را مد نظر نمیگیرند، طی تحقیقی که در شهر رشت صورت دادند توانایی بالای این روش را بیان داشتند.[5]
مواد و روش ها
در این تحقیق از یک نرم افزار رایگان به نام WinGamma استفاده گردید که دارای دوقسمت به نام های ارزیابی داده ها جهت ورود به مدل و همچنین مدل سازی می باشد،
موقعیت منطقه مورد مطالعه
ایستگاه هواشناسی شهرکرد در موقعیت 3577394 درجه شرقی و 485883 درجه شمالی واقع شده است،این ایستگاه حدوداً در شرق شهرکرد واقع شده است که در شکل شماره((1 می توان موقعیت شهر را در استان مشاهده نمود.
شبکه عصبی:
یک شبکه عصبی از نرونهای مصنوعی تشکیل شده است. نرون یا گره کوچکترین واحد پردازش اطلاعات است که اساس عملکرد شبکههای عصبی را تشکیل میدهد.[7] هر یک از نرونها، ورودیها را دریافت نموده و پس از پردازش روی آنها، یک سیگنال خروجی تولید مینمایند. لذا هر نرون در شبکه بهعنوان مرکز پردازش و توزیع اطلاعات عمل میکند و ورودی و خروجی مخصوص به خود را دارد[17]
در مورد نحوه کار نرونها سه نکته مهم وجود دارد. اول آنکه اطلاعات مورد نیاز یک نرون برای تولید یک مقدار خروجی، در ورودی و خود نرون موجود است و هیچ اطلاعاتی در مورد سایر قسمتهای شبکه مورد نیاز نیست. دوم آنکه نرون تنها یک مقدار خروجی تولید میکند، که این مقدار خروجی از طریق ارتباطات، به عنوان ورودی به نرون دیگر وارد شده و یا به عنوان خروجی شبکه در نظر گرفته میشود. سوم آنکه هر نرون به صورت مستقل عمل مینماید. یعنی خروجی هر نرون تنها وابسته به ورودی آن نرون است.[2]
سریهای زمانی یکی از بیشترین موارد استفاده برای پیشبینی توسط شبکههای عصبی را داشتهاند. هنگامی که یک دادهی سری زمانی دارای خطا باشد، مدلهای آماری در پیشبینی آن با مشکل مواجه میشوند. شبکههای عصبی مصنوعی با چنین دادههایی سازگارترند.[6] این روشها در بسیاری از موارد که مدلهای خطی در پیشبینی آنها عاجز هستند، موفق بودهاند، به عنوان مثال به وایت (1988) مراجعه شود .[16] مدلهای شبکه عصبی مصنوعی که با الهام از عصبهای بیولوژیکی عمل مینمایند، به عنوان گزینهای برتر مورد تحقیق و بررسی قرار میگیرند. این مدلها میتوانند با حداقل متغیرهای اندازهگیری شده و با دقت قابل قبولی تغییرات متغیر مورد نظر را پیشبینی نمایند. نکته جالب توجه مدلهای شبکه عصبی مصنوعی به خاطر توانایی آنها در حل مسائل غیرخطی، حجیم و دارای خطا می باشد. همچنین این مدلها توانایی یادگیری حل مسائل فازی و تشخیص الگوها را نیز دارا میباشند.[9]
شبکههای عصبی BFGS
معمولاً این نوع شبکه سریعترین و مؤثرترین نوع شبکه عصبی میباشد که توسط نرمافزار WinGamma صورت میگیرد. نوع مدلسازی آن براساس روش یادگیری برودن- فلتشر- گلدفارب- شانو میباشد. این الگوریتم گاهی اوقات توسط نویز زیاد در دادهها، از اهمیتش کاسته میشود. اما در کل این بهترین گزینه از بین شبکههای عصبی میباشد که سعی میشود در مدلسازی شبکه به-کار رود.
