مقاله مدل شبکه عصبی مصنوعی تبخیر ماهانه از تشت با استفاده از دادههای هواشناسی- مطالعه موردی منطقه حاشیه دریای خزر

word قابل ویرایش
14 صفحه
دسته : اطلاعیه ها
12700 تومان
127,000 ریال – خرید و دانلود

*** این فایل شامل تعدادی فرمول می باشد و در سایت قابل نمایش نیست ***

مدل شبکه عصبی مصنوعی تبخیر ماهانه از تشت با استفاده از دادههای هواشناسی- مطالعه موردی منطقه حاشیه دریای خزر
چکیده
تبخیر یکی از مؤلفههای اصلی چرخه آب در طبیعت بوده و تعیین دقیق آن برای بسیاری مطالعات مثل بیلان آبی حوزه، طرح ریزی و مدیریت منابع آب حائز اهمیت است. تبخیر به دلیل اثرات متقابل عوامل متعدد اقلیمی، پدیده پیچیده و غیر خطی است و لذا برای تخمین آن باید از مدلهای پیشرفته استفاده کرد. در این تحقیق، هشت نوع ترکیب پارامترهای هواشناسی بعنوان دادههای ورودی برای برآورد تبخیر از تشت با استفاده از شبکههای عصبی برای منطقه شمال کشور مورد بررسی قرار گرفت.
دادههای اندازهگیری شده هواشناسی برای یک دوره ده ساله ۱۹۹۶) تا (۲۰۰۳ از ۸ ایستگاه هواشناسی واقع در حاشیه دریای خزر جمعآوری شد. نتایج نشان داد، پارامترهای دمای بیشینه و کمینه هوا، رطوبت نسبی، سرعت باد و ساعات آفتابی، حداقل دادههای هواشناسی برای برآورد تبخیر از تشت هستند. میانگین جذر مربع خطا (RMSE) و ضریب تعیین (R2) بین مقادیر بدست آمده از مدل شبکه عصبی با ورودیهای فوق و مقادیر واقعی به ترتیب ۰/۳۲ میلیمتر در روز و ۰/۹۳ بودند. ترسیم مقادیر برآورد شده و واقعی نشان داد، ۷۶ درصد دادهها در محدوده ±۱۵% خطا واقع میشوند.
کلمات کلیدی: تبخیر از تشت، شبکههای عصبی مصنوعی،

-۱ مقدمه
تبخیر یکی از فرآیندهای اصلی گردش آب در طبیعت بوده و برآورد دقیق آن برای تعیین بیلان آبی حوزهها، برنامهریزی آبیاری و مدیریت منابع آب اساسی است. از تشتهای تبخیر در مناطق زیادی در دنیا به عنوان وسیله اندازهگیری مستقیم تبخیر از سطح آب استفاده میشود و به علت سهولت تفسیر دادههای آن در سراسر دنیا به عنوان شاخصی برای تعیین تبخیر از دریاچهها و مخازن آب کاربرد دارد .(Irmak et al., 2002) تشت تبخیر، ترکیب وزنی پارامترهای دما، رطوبت هوا، سرعت باد و تابش خورشید را بر شدت تبخیر از سطح آب اندازهگیری میکند و همین ترکیب بر تبخیر و تعرق گیاهان موثر است .(Allen et al., 1998) از این رو همبستگی زیادی بین تبخیر از تشت و تبخیر و تعرق گیاهان وجود دارد .(Grismer et al., 2002) لذا با اعمال ضریبی در مقادیر تبخیر از تشت، تبخیر و تعرق گیاه با دقت خوبی برآورد میشود
.(Allen et al., 1998)
توزیع زمانی و مکانی ایستگاههای تبخیر سنجی در بسیاری از مناطق دنیا و همچنین در ایران محدود است و خیلی از ایستگاهها تازه تأسیس بوده و فاقد آمارهای دراز مدتاند. از طرفی توزیع مکانی این ایستگاهها در بیشتر مناطق در حدی نیست که بتوان تغییرات مکانی تبخیر از تشت را پهنهبندی کرد. ولی بر خلاف ایستگاههای تبخیر سنجی، ایستگاههای هواشناسی که در آن پارامترهای مثل دما، رطوبت هوا و سرعت باد اندازه گیری میشوند، توزیع زمانی و مکانی بهتری دارند. از این رو روشهای تحلیلی و تجربی زیادی برای پیشبینی تبخیر از سطح آزاد آب و تبخیر از تشت با استفاده از دادههای هواشناسی ارائه شده است. شدت تبخیر تابعی از تابش رسیده به زمین، دما، رطوبت و سرعت باد است. تأثیر این پارامترها بر روی میزان تبخیر بصورت مستقل نیست بلکه تأتیرات متقابل بر همدیگر دارند، بطور مثال باد باعث تغییر رطوبت هوا شده و کاهش رطوبت، افزایش تبخیر را بدنبال دارد و در این شرایط دمای سطح تبخیر کاهش یافته و بر روی دما و رطوبت هوا تأثیر میگذارد.
Penman (1948) با ترکیب دو مؤلفه انرژی تابش خالص خورشید و مشخصات آیرودینامک هوا یک معادله تحلیلی برای برآورد تبخیر از سطح آب ارائه داد. این معادله به عنوان یک روش متداول برای تخمین پتانسیل تبخیر از سطح آزاد آب در مطالعات مهندسی منابع آب استفاده میشود. معادله پنمن نیاز به دادههای اندازهگیری شده دمای هوا، تابش خالص خورشید، کمبود فشار بخار هوا و سرعت باد دارد. متأسفانه ایستگاههای کمی وجود دارد که تمامی این پارامترها را اندازهگیری کند. در این شرایط لازم است، معادلات ساده و تجربی که دادههای کمی نیاز داشته باشد، بررسی شود.
امکانات و تجهیزات اندازهگیری پارامترهای هواشناسی در حوزههای مختلف ایران متفاوت است. در برخی مناطق توزیع مکانی ایستگاههای هواشناسی در حد مناسب بوده و در آنها پارامترهای متعدد هواشناسی اندازهگیری میشود ولی در مناطق دور افتاده علاوه بر تراکم کم ایستگاههای هواشناسی، فقط چند پارامتر ساده مثل دما و رطوبت هوا اندازهگیری میشوند. لذا لازم است در تدوین مدلهای تبخیر از سطح آب، پارامترهای مختلف هواشناسی از نظر نوع داده و تعداد ورودیهای آن مورد بررسی قرار گیرند. تدوین مدلهایی با تعداد ورودی کم و ساده هواشناسی برای تخمین تبخیر، این امکان را برای مناطق دور افتاده فراهم میکند تا حداقل ایستگاههای هواشناسی ساده در آنها توسعه یافته تا بتوان تغییرات مکانی یک پدیده را بررسی کرد.
در سالهای اخیر به دلیل پیچیدگی و روابط غیر خطی بین تبخیر و تعرق و عوامل موثر آن، توجهات زیادی به استفاده از مدلهای شبکه عصبی شده است. این مدلها قادرند، یک نگاشت غیر خطی را با دقت خوبی انجام دهند. از جمله مدلهای شبکه عصبی تبخیر و تعرق که نتایج بسیار مطلوبی داشتند، میتوان مدلهای (۲۰۰۲) Kumar et al.، )۲۰۰۳) Sudheer et al.، (۲۰۰۷) Zanetti,، )۲۰۰۸a( Rahimikhoob و Rahimikhoob (2008b) را نام برد. در دهه اخیر، مدلهای مختلف شبکه عصبی مصنوعی برای تخمین تبخیر از سطح آب با استفاده از دادههای هواشناسی توسعه یافتند. دقت و کارایی این مدلها به نوع و تعداد ورودی آنها بستگی دارد. در این زمینه تحقیقات زیادی انجام شده است. Bruton et al. (2000) یک مدل شبکه عصبی برای تعیین تبخیر روزانه از تشت با استفاده از دادههای روزانه اندازهگیری شده در ایستگاههای هواشناسی تدوین کردند.
دادههای ورودی مدل آنها شامل بارندگی، دما، رطوبت نسبی، تابش خورشید و سرعت باد بودند. ضریب تعیین و ریشه میانگین مربع خطای مدل تدوین شده آنها بترتیب ۰/۷۱ و ۱/۱ میلیمتر در روز برآورد شده بود. Keskin and Terzi (2006) دادههای ایستگاه هواشناسی نزدیک دریاچهای در غرب ترکیه را برای تعیین تبخیر روزانه از تشت با استفاده از مدل شبکه عصبی مورد بررسی قرار دادند. نتایج تحقیق آنها نشان داد که بهترین ساختار مدل با ۴ داده ورودی شامل دمای هوا، دمای سطح آب، تابش خورشید و فشار هوا بدست میآید و دادههای سرعت باد و رطوبت نسبی هوا همبستگی کمی با شدت تبخیر در ناحیه مورد بررسی آنها دارند. ضریب تعیین و میانگین مربع خطای مدل تدوین شده آنها بترتیب ۰/۷۷ و ۱/۶۱ میلیمتر در روز برآورد شدند. آنها نتایج مدل شبکه تدوین شده فوق را با نتایج روش پنمن مقایسه کرده و نشان دادند، نتایج حاصل از مدل شبکه عصبی همبستگی بیشتری با مقادیر اندازهگیری شده تبخیر از تشت نسبت به روش پنمن دارد.
هدف این تحقیق تعیین حداقل داده هواشناسی برای برآورد تبخیر از تشت با استفاده از مدلهای شبکه عصبی برای منطقه حاشیه دریای خزر است. ایستگاههای هواشناسی منطقه فوق غیر خودکار بوده و دادههای هواشناسی توسط دیدهبانان برداشت شده و بصورت دستی ثبت میگردد و لذا بروز خطا اجتناب ناپذیر است. خطای متغیرهای ورودی باعث انتشار خطا در نتیجه خروجی مدل میگردد. خطای اندازهگیری پارامترهای هواشناسی تصادفی بوده و در طی روزهای مختلف، هم از نظر اندازه و هم از نظر علامت ثابت نیستند. یکی از خاصیتهای این خطا، خنثی شدن آن توسط همدیگر در دورههای زمانی طولانی است. از این رو در این تحقیق برای اطمینان بیشتر به صحت دادهها، متوسط ماهانه آنها استفاده شدند.
-۲ مواد و روشها
-۱-۲ منطقه مورد مطالعه و منابع دادهها
منطقه حاشیه دریای خزر واقع در شمال کشور، محدوده مورد مطالعه این تحقیق است. این منطقه دارای بارشهای قابل ملاحظه و دمای معتدل است. بر اساس طبقه بندی اقلیمی دومارتن، نواحی غربی دریای خزر بسیار مرطوب، نواحی مرکزی مرطوب و نواحی شرقی آن مدیترانهای هستند. در این تحقیق آمارهای هواشناسی ۸ ایستگاه شامل آمل، آستارا، بابلسر، قائمشهر، نوشهر، رامسر، رشت و ساری به مدت ۱۰ سال از سال ۱۹۹۶ تا ۲۰۰۵ جمعآوری شد. مشخصات جغرافیایی این ایستگاهها در جدول ۱ و توزیع مکانی آنها در شکل ۱ ملاحظه میشود. این ایستگاهها کل حاشیه دریای خزر را پوشش میدهند و علاوه بر اندازهگیری پارامترهای هواشناسی، مجهز به دستگاه تشت تبخیر نیز هستند. دمای بیشینه (Tmax) و کمینه روزانه هوا ( (Tmin، میانگین روزانه رطوبت نسبی هوا (RHmean) و سرعت باد (u) و ساعات واقعی روزانه آفتاب (n) پارامترهایی بودند که از ایستگاههای فوق جمعآوری و متوسط ماهانه آنها بعنوان متغیرهای ورودی مدلهای شبکه عصبی استفاده شدند. همچنین متوسط ماهانه تبخیر از تشت، خروجی مدلها را تشکیل دادند.

-۲-۲ مدل شبکه عصبی مصنوعی
در این تحقیق از شبکه های چند لایه پیشرونده با الگوریتم آموزشی پس انتشار خطا که جزء روشهای آموزش با ناظر است، استفاده شد.
ساختار این شبکه شامل یک لایه ورودی، یک لایه میانی و یک لایه خروجی است. در هر لایه یک یا چند عنصر پردازشگر (نرون) وجود دارد که با تمامی نرونهای لایه بعدی با اتصالات وزندار بهم مربوط میشوند. بردار دادههای ورودی مدل به نرونهای لایه اول نگاشت میشوند و در این لایه هیچگونه پردازشی انجام نمیگیرد و نرونهای لایه خروجی به بردار خروجی مدل نگاشت میگردند. تعداد نرونهای لایههای ورودی و خروجی بستگی به تعداد متغیرهای ورودی و خروجی مدل دارد ولی انتخاب تعداد نرونهای لایه میانی بصورت سعی و خطا تعیین میشود. در این بررسی، ساختارهای مختلفی از پارامترهای هواشناسی موثر بر تبخیر بعنوان ورودی مدلهای شبکه عصبی مورد بررسی قرار گرفت و تبخیر اندازهگیری شده از تشت تبخیر، خروجی این مدلها را تشکیل داد. در شبکههای عصبی، نرونهای هر لایه به کلیه نرونهای لایه قبل از طریق یک اتصال جهت دار مرتبط میشوند.

به هر یک از این اتصالات وزنی داده میشود که مقدار آن تعیین کننده تأثیر هر نرون بر روی نرون لایه خروجی است. مجموع وزنی مقادیر ورودی به هر نرون محاسبه و در یک تابع ریاضی قرار میگیرد و خروجی نرون از طرق این تابع محاسبه میشود. این تابع ریاضی را اصطلاحاً تابع تحریک، تابع آستانه و یا تابع انتقال نامند.
توابع سیگموئید (S) و تانژانت هیپربولیک (TH) رایجترین توابع هستند (Hornik et al., 1989) و در این تحقیق بهترین آن برای برآورد تبخیر تعیین شد.
وزنهای ارتباط دهنده نرونهای شبکه، با آموزش تعیین میشوند و در شبکههای چند لایه از الگوریتم آموزش پس انتشار خطا استفاده میگردد. این الگوریتم دارای توابعی مختلف بوده که تفاوت آنها بر نحوه تنظیم وزنهای ارتباط دهنده لایههای شبکه عصبی است.
توابع لونبرگ مارکوارت(LM) 1 و کانجوگیت گرادیان(CG) 2 از رایجترین توابع آموزشاند Hagan and Menhaj, 1994) و .(Tan and Van Cauwenberghe, 1999 این توابع برای تعیین بهترین اوزان شبکه عصبی ارزیابی شدند و بهترین آن انتخاب شد.
در مرحله آموزش شبکه عصبی ابتدا مقادیر تصادفی برای وزنها انتخاب میشود و خروجی شبکه بدست میآید. خطای بین خروجی شبکه با مقدار مطلوب آن به سمت عقب انتشار مییابد و بر این اساس، وزنها تعدیل میشوند. این فرایند تکرار مییابد تا خروجی شبکه به یک مقدار قابل قبولی برسد. در صورت تکرار زیاد فرایند آموزش، اوزان شبکه به صورتی تعدیل میشوند که فقط برای دادههایی که برای آموزش استفاده شدند، عملکرد خوبی دارند. ولی برای دادههایی که در آموزش شبکه از آنها استفاده نشده، عملکرد ضعیفی خواهند داشت. این اتفاق را آموزش بیش از حد گویند. برای جلوگیری از آموزش بیش از حد و تصمیم برای توقف مرحله آموزش از یک سری داده به عنوان دادههای ارزیابی استفاده میشود. پس از هر بار تکرار فرایند یادگیری، شبکه با اوزان جدید برای دادههای ارزیابی اجرا میشود. بطور معمول در مراحل اولیه آموزش، خطای برآورد خروجی مدل برای دادههای ارزیابی کاهش مییابد. ولی زمانی که آموزش بیش از حد دادهها اتفاق میافتد، این خطا افزایش مییابد. با شروع این خطا، آموزش دادهها متوقف شده و لذا وزنهای شبکه در شرایط حداقل خطا برای دادههای ارزیابی تعیین میشوند.
به عبارتی شبکه با استفاده از دادههای آموزش و ارزیابی، آموزش میبینند. بعد از آموزش، شبکه با دادههایی که در آموزش و ارزیابی از آنها استفاده نشده، آزمایش شده و عملکرد آن با استفاده از شاخصهای آماری بررسی میگردد. در این تحقیق، دادههای سالهای ۱۹۹۶ تا ۲۰۰۳ (در کل ۷۶۸ داده برای ۸ ایستگاه) برای آموزش و ارزیابی مدلهای شبکه عصبی و دو سال باقیمانده ۲۰۰۴ و ۲۰۰۵ (در کل ۱۹۲ داده برای ۸ ایستگاه) به آزمون مدلها اختصاص یافتند. از میان دادههای آموزش و ارزیابی، ۷۰ درصد آن به آموزش و ۳۰ درصد بقیه به ارزیابی شبکه اختصاص داده شدند.
در مرحله شروع این تحقیق، مدل شبکه عصبی با حداقل داده هواشناسی شامل دمای بیشینه و کمینه هوا و تابش بیرون زمینی۳ ساخته شد و با نماد ANN1 نامگذاری گردید. تابش بیرون زمینی، داده اندازهگیری نیست بلکه برای هر روز معین و موقعیت مکانی با استفاده از معادله زیر تعیین میشود :(Allen et al., 1998)

در رابطه فوق، Ra تابش بیرون زمینی (مگاژول بر متر مربع در روز)،
GSC ثابت خورشیدی (برابر ۰/۰۸۲۰ مگاژول بر متر مربع در روز)، dr معکوس فاصله نسبی زمین و خورشید۴، ωs زاویه ساعتی غروب خورشید۵ (رادیان)، ϕ عرض جغرافیایی (رادیان) و δ زاویه میل خورشید۶ (رادیان) هستند. پارامترهای dr وδ تابع روز شمار سال۷ و ωs تابع عرض جغرافیایی و روز شمار سال هستند و برای تعیین آنها از روابط توصیه شده Allen et al. ( 1998) استفاده شد. پارامترRa اثر فصلی تابش خورشید را منعکس میکند، از این رو به عنوان یک ورودی ثابت در تمامی مدلهای شبکه عصبی تدوین یافته در این تحقیق، استفاده شد. سپس با اضافه کردن دادههای رطوبت نسبی هوا، سرعت باد و نسبت ساعات آفتابی روزانه ( ( nN به ورودی مدل ANN1 به ترتیبی که در جدول ۲ آمده، مدلهای ANN2، ANN3 و ANN4 ساخته شدند. این چنین ساختار ورودی دادهها به شناخت تأثیر داده هواشناسی بر روی شدت تبخیر کمک میکند. نسبت ساعات آفتابی روزانه، معرف ابرناکی هوا و شدت تابش رسیده به زمین است و بدیهی است بر شدت تبخیر موثر است. این پارامتر از نسبت ساعات واقعی آفتاب روزانه بر حداکثر ساعات آفتابی روزانه بدست میآید. حداکثر ساعات آفتابی روزانه تابعی از عرض جغرافیایی و موقع روز از سال است و با استفاده از معادله ارائه شده Allen et al. (1998) محاسبه شد. ورودی مدلهای ANN5، ANN6 و ANN7 با اضافه شدن ترکیبهای دوتایی پارامترهای رطوبت نسبی هوا، سرعت باد و نسبت ساعات آفتابی روزانه به مدل ANN1 ساخته شدند و سرانجام ورودی آخرین مدل (ANN8) با ترکیب تمامی پارامترهای هواشناسی فوق آموزش و ارزیابی گردید.

-۳-۲ شاخصهای آماری عملکرد مدلهای شبکههای عصبی
تعیین میزان دقت و چگونگی عملکرد مدلهای شبکههای عصبی طراحی شده در این تحقیق، با استفاده از شاخصهای کمی آماری و ترسیم نمودار انجام شد. آمارههای ضریب تعیین (R2)، ریشه میانگین مربعات خطا (RMSE) و میانگین انحراف خطا (MBE) شاخصهای مورد استفاده بودند:

در روابط فوق، Pi مقادیر برآورد شده مدل، متوسط مقادیر برآورد شده مدل، Oi مقادیر واقعی، متوسط مقادیر واقعی و N تعداد مشاهداتاند. علاوه بر شاخصهای فوق، با رسم پراکنش مقادیر مشاهده شده در برابر مقادیر برآورد شده همراه با ترسیم دو خط ±۱۵% خطا پیرامون بهترین خط برازش (خط(۱:۱، چگونگی مدلها ارزیابی شدند.

این فقط قسمتی از متن مقاله است . جهت دریافت کل متن مقاله ، لطفا آن را خریداری نمایید
word قابل ویرایش - قیمت 12700 تومان در 14 صفحه
127,000 ریال – خرید و دانلود
سایر مقالات موجود در این موضوع
دیدگاه خود را مطرح فرمایید . وظیفه ماست که به سوالات شما پاسخ دهیم

پاسخ دیدگاه شما ایمیل خواهد شد