بخشی از مقاله

*** اين فايل شامل تعدادي فرمول مي باشد و در سايت قابل نمايش نيست ***

مقايسه تطبيقي روشهاي دمايي و مدلهاي شبکه عصبي مصنوعي جهت تخمين تبخيروتعرق گياه مرجع (مطالعه موردي : منطقه کرمان )
خلاصه
تخمين تبخيروتعرق گياه مرجع (ETo) در بررسي بيلان آب ، مديريت م نابع آب و برنامه ريزي آبياري ضروري ميباشد. اين تحقيق بمنظور مقايسه نتايج حاصل از روش هاي دمايي(حرارتي) برآورد تبخيروتعرق گياه مرجع با مدلهاي شبکه عصبي مصنوعي معادل آنها، انجام شده است . در اين مطالعه با استفاده از داده هاي هواشناسي روزانه ايستگاه سينوپتيک کرمان طي سالهاي ٢٠٠٠ تا ٢٠٠٩ ميلادي، تبخيروتعرق گياه مرجع با روشهاي هارگريوز-ساماني و فائو-٢٤ بلانيکريدل ، محاسبه گرديد. سپس براي هرکدام از روشهاي فوق ، با توجه به داده هاي ورودي، بهترين مدل شبکه عصبي مصنوعي(پرسپترون چندلايه ) طراحي و انتخاب شد. در نهايت باتوجه به معيارهاي خطاي تخمين استاندارد و ضريب کارايي مدل مشخص گرديد شبکه هاي عصبي مصنوعي، تبخيروتعرق گياه مرجع را با خطاي کمتري نسبت به روش تجربي معادل تخمين مي زنند. همچنين مدل شبکه عص ب ي معادل روش فائو-٢٤ بلانيکريدل نسبت به ساير روشهاي مورد مطالعه داراي دقت بيشتري در تخمين ميباشد.
کلمات کليدي: تبخيروتعرق گياه مرجع ، شبکه عصبي مصنوعي ، هارگريوز ساماني ،فائو-٢٤ بلانيکريدل .

١. مقدمه
کشور ايران از جمله مناطق نيمه خشک بوده و ميانگين بارندگي سالانه آن حدود يک سوم متوسط بارش سالانه در جهان ميباشد. در سالهاي اخير بدليل افزايش جمعيت ، توسعه کشاورزي و رشد صنايع ، مصرف سرانه آب افزايش يافته ، بنابراين با توجه به محدوديت منابع آب ، لزوم ب رنامه ريزي جهت استفاده صحيح ، غ يرقابل انکار ميباشد.
تنها روش مستقيم و دقيق ترين روش براي تخمين تبخيروتعرق ، محاسبه بيلان آب با استفاده از لايسيمتر٤ ميباشد. اما استفاده از لايسيمتر خيلي گران و وقت گير بوده و از طرفي نياز به دقت و توجه در آزمايشات دارد. بنابراين بتدريج چندين روش براي تخمين تبخيروتعرق گياه مرجع بصورت غيرمستقيم ابداع شد که از داده هاي اقليمي و هواشناسي استفاده ميکنند.
پنمن در سال ١٩٤٨ نخستين روش ترکيبي را ابداع نمود. سپس با درنظر گرفتن محاسبه هدايت سطحي که در اثر واکنش روزنه هاي برگ به شرايط هيدرولوژيکي حاصل ميشود، به مانتيس ١٩٦٥ يا مدل تبخيروتعرق پنمن -مانتيس (PM) تغيير داده شد[١]. ب سياري از دانشمندان طي آزمايشات مختلف مناسب بودن روش پنمن -مانتيس را براي تخمين تبخيروتعرق گياه مرجع مطالعه کرده اند[٢و٣و٤و٥]. جنسن در سال ١٩٩٠ گزارش داد بهترين روش براي تخمين تبخيروتعرق مرجع در هر دوناحيه خشک و مرطوب ، روش پنمن -مانتيس ميباشد[٦].
آلن و همکارانش تعدادي از متغيرهاي پايه پنمن -مانتيس را به مقدار ثابت تغيير داده و آنرا براي گياه مرجع چمن ساده نمودند[٢]. در نهايت شکل معادله مذکور بصورت فائو ٥٦- پنمن مانتيس ١ درآمد که توسط فائو بعنوان تنها روش استاندارد در محاسبه تبخيروتعرق گياه مرجع در شرايطي که همه داده هاي اقليمي مورد نياز، بصورت قابل اطمينان در دسترس باشند، معرفي گرديد . مطالعات مقايسه اي بسياري که روي مدل فائو-٥٦ پنمن مانتيس انجام شد اين روش را بعنوان يک مدل تخمين تبخيروتعرق مرجع استاندارد بين المللي به رسميت شناخت [٧و٨و٩].
بهرحال نياز به داده هاي کامل آب وهوايي، روش فائو-٥٦ پنمن مانتيس را کمتر کاربردي ميسازد. ازطرفي نتايج روشهاي ديگر مانند روشهاي تجربي که به داده هاي کمتري نياز دارند نيز از دقت کمتري برخوردار ميباشد. لذا يافتن روشي که بتواند نسبت به روشهاي تجربي معادل ، تخمين بهتري را حاص ل نمايد داراي اهميت است . تاکنون در مورد تعيين بهترين روش برآورد تبخيروتعرق گياه مرجع در مناطق مختلف و نيز مدلسازي تبخيروتعرق گياه مرجع بوسيله شبکه هاي عصبي مصنوعي تحقيقات زيادي صورت گرفته است . آيتک و همکاران (٢٠٠٨)، قابليت شبکه عصبي مصنوعي را جهت برآورد تبخيروتعرق پتانسيل در مقايسه با فرمولهاي تجربي، در کاليفرنيا مورد سنجش قراردادند. در نهايت نتيجه گيري شد که مدل شبکه عصبي مصنوعي نسبت به تمام فرمولهاي محاسبه تبخيروتعرق مرجع ارجحيت دارد [١٠١٠]. پلنگي و همکاران (١٣٨٥)، تبخيروتعرق پتانسيل گياه مرجع را با استفاده از شبکه عصبي در منطقه اهواز تخمين زده و نتيجه گرفنت د ميتوان با استفاده از شبکه هاي عصبي، تبخير و تعرق گياه مرجع را با درصد بسيار کم خطا پيش بيني نمود [١١]. داي و همکاران (٢٠٠٨)، از سه و چهار فاکتور آب و هوايي براي تخمين تبخير وتعرق پتانسيل با استفاده از شبکه ع صبي مصنوعي در چين استفاده کرد، نتايج نشان داد که شبکه هاي عصبي مصنوعي مقدار تبخيروتعرق را بهتر از روش رگرسيون چندگانه برآورد مينمايند[١٢]. رحيمي خوب (١٣٨٦)، طي تحقيقي با عنوان مقايسه روشهاي هارگريوز و شبکه عصبي مصنوعي در تخمين تب خيروتعرق مرجع ، نشان داد که روش هارگريوز اغلب ، کمتر يا بيشتر از روش فائو-٥٦ پنمن تخمين مي زند ولي شبکه عصبي مصنوعي در تمام ايستگاه ها تبخيروتعرق مرجع را نسبت به روش تجربي، بهتر برآورد مينمايد [١٣]. شايان نژاد (١٣٨٥)، نشان داد شبکه عصبي مصنوعي در تعيين تبخيروتعرق پتانسيل بسيار دقيق تر از روش پنمن مانتيس مي باشد [١٤]. لاندراس و همکاران (٢٠٠٨)، روشهاي تجربي و نيمه تجربي تخمين تبخيروتعرق مرجع روزانه را با مدلهاي شبکه هاي عصبي مصنوعي در شمال اسپانيا مورد مقايس ه قرار دادند. در نهايت شبکه هاي عصبي مصنوعي نسبت به معادلات تجربي، نتايج بهتري را حاصل نمودند [١٥].
با توجه به اينکه منطقه کرمان ، بدليل کم بودن نزولات جوي بخصوص در سالهاي اخير، با کاهش منابع آبي و افت شديد سطح آبهاي زيرزميني مواجه است ، لذا ضرورت محاسبه دقيق مؤلفه هاي بيلان آب و مديريت آب و آبياري در آن از اهميت زيادي برخوردار مي باشد. بنارب اين تحقيق حاضر به بررسي توانايي شبکه هاي عصبي مصنوعي جهت تخ مين تبخيروتعرق مرجع ميپردازد. بهمين منظور از ميان روشهاي تجربي دمايي، دو روش هارگريوز-ساماني و فائو-٢٤ بلاني کريدل انتخاب شده سپس معادل هر روش ، يک شبکه عصبي مصنوعي بهينه طراحي گرديده و در نهايت براي يافتن مناسبترين روش تخمين ، نتايج حاصل از روشهاي تجربي با خروجي هاي شبکه هاي عصبي مصنوعي مقايسه شدند.
٢. معرفي منطقه موردمطالعه و جمع آوري داده ها
اطلاعات مورد نياز اين طرح شامل حداقل و حداکثر دماي هوا، حداقل و حداکثر رطوبت نسبي، سرعت باد و ساعات آفتابي، طي سالهاي آماري ١٣٧٩ تا ١٣٨٨ (٢٠٠٠ تا ٢٠٠٩ ميلادي) بطور روزانه از ايستگاه هواشناسي سينوپتيک واقع در فرودگاه شهر کرمان جمع آوري گرديد. اين ايستگاه داراي طول جغرافيايي ٥٦ درجه و ٥٨ دقيقه شمالي، عرض جغرافيايي ٣٠ درجه و ١٥ دقيقه شرقي و ارتفاع ١٧٥٣.٨ متر از سطح دريا بوده و در سال ١٣٣٠ هجري شمسي احداث شده است . منطقه کرمان داراي آب و هواي نيمه خشک و گرم است . حداکثر دماي هواي روزانه طي سالهاي مورد مطالعه ، ٤١.٦ درجه سانتيگراد و حداقل آن ١٥.٢- درجه سانتيگراد ميباشد. رطوبت نسبي روزانه بين ١ تا ١٠٠ درصد، ميانگين سرعت باد بين صفر تا ١٠.٨ متربرثانيه و ساعات آفتابي نيز بين صفر تا ١٣.٥ ساعت در روز متغير بوده است .
روشهاي تخمين تبخيروتعرق گياه مرجع به چند دسته ازجمله روشهاي اندازه گيري مستقيم ، روشهاي تجربي شامل روشهاي دمايي و تابشي، روشهاي بيلان انرژي، روشهاي آيروديناميک و روشهاي ترکيبي تقسيم مي شوند. روشهاي تجربي براي محاسبه به داده هاي هواشناسي و اقليمي نياز داشته و محاسبه آنها از ساير روشها ساده تر ميباشد. از ميان روشهاي تجربي نيز روشهاي دمايي بدليل اينکه تنها به داده هاي دمايي نياز دارند، متداول تر ميباشند.
در اين تحقيق بدليل عدم وجود مقادير اندازه گيري شده تبخيروتعرق گياه مرجع ، براساس پيشنهاد ASCE، روش فائو-٥٦ پنمن مانتيس بعنوان روش مرجع درنظر گرفته شده و مقادير تخمين حاصل از روشهاي مختلف با نتايج اين روش مقايسه ميگردند. از طرفي بدليل تاثير تعداد و نوع داده هاي ورودي برروي دقت نتايج شبکه هاي عصبي مصنوعي، روشهاي تجربي بگون ه اي انتخاب گرديد تا به تعداد متفاوت فاکتور ورودي نياز داشته باشند.
بهمين دليل در اين مطالعه از ميان روشهاي دمايي(حرارتي) تخمين تبخيروتعرق گياه مرجع ، دو روش هارگريوز-ساماني و فائو-٢٤ بلانيکريدل انتخاب شدند. داده هاي هواشناسي مورد نياز براي هرکدام از روشهاي فوق در جدول ١ آمده است .

٣-١- روش هارگريوز ساماني
فرمول روش هارگريوز-ساماني بصورت زير مي باشد:

ETo= تبخيروتعرق مرجع (ميليمتر در روز) ، Tmean= ميانگين دماي هواي روزانه (درجه سانتيگراد) ، Tmax= حداکثر دماي هواي روزانه (درجه سانتيگراد)
Tmin= حداقل دماي هواي روزانه (درجه سانتيگراد) ، Ra= تابش خارج از جو (ميليمتر در روز) که با استفاده از شماره ماه و عرض جغرافيايي محاسبه ميگردد.
٣-٢- روش فائو-٢٤ بلاني کريدل
فرمول فائو-٢٤ بلانيکريدل بصورت زير است :

ETo = تبخيروتعرق گياه مرجع (ميليمتر در روز) ، P = ضريب مربوط به طول روز يا درصد سالانه تابش آفتاب در ماه که بصورت روزانه توصيف شده است و با داشتن عرض جغرافيايي در ماه مورد نظر بدست ميآيد. (متوسط ساعات روشنايي هر روز در ماه مورد نظر تقسيم بر کل ساعات روشنايي سال ضربدر ١٠٠) ، T = دماي متوسط هوا (درجه سانتيگراد)
a و b ضرايب اصلاحي روش بلاني-کريدل ميباشند که به حداقل رطوبت نسبي هوا، نسبت ساعات واقعي آفتابي به حداکثر ممکن ساعات آفتابي (n.N)
و سرعت باد در روز بستگي دارد که مي توان آنها را از معادله هاي زير بدست آورد:

که در آن n = تعداد ساعات آفتابي واقعي ، N = حداکثر ساعات آفتابي ممکن ، RHmin = حداقل رطوبت نسبي برحسب درصد و Uday = سرعت باد درطول روز در ارتفاع ٢متري از سطح زمين برحسب متربرثانيه ميباشد.
٤. معيارهاي ارزيابي
با استفاده از آزمون هاي آماري مقايسه اي، مقادير تبخيروتعرق حاصل از مدلهاي تخمين با مقادير هدف که همان تبخيروتعرق مرجع حاصل از روش فائو-٥٦ پنمن مانتيس ميباشد، مقايسه ميشود. براي تعيين بهترين مدل از شاخص هاي خطاي تخمين استاندارد (SEE) و ضريب کارايي مدل (E) استفاده گرديد.
٤-١- خطاي تخمين استاندارد١ (SEE) :
خطاي تخمين استاندارد حاصل از روشهاي مختلف برآورد در مقايسه با مقدار هدف (تبخيروتعرق فائو-٥٦ پنمن مانتيس ) بصورت زير محاسبه ميشود :

SEE= خطاي تخمين استاندارد (ميليمتر در روز) ، P= تبخيروتعرق مرجع فائو-٥٦ پنمن مانتيس (ميليمتر در روز، E= تبخيروتعرق مرجع تخمين زده شده بوسيله روشهاي تخمين (ميليمتر در روز) ، n= تعداد داده ها
٤-١- ضريب کارايي مدل يا ضريب ناش -ساتکليف ٢ (E) :
براي ارزيابي مدلهاي تخمين تبخيروتعرق گياه مرجع ، ضريب کارايي مدل بصورت زير تعريف مي شود[١٦] :

که در آن به ترتيب تبخيروتعرق مرجع فائو-٥٦ پنمن مانتيس ، تبخيروتعرق هرکدام از روشهاي تجربي يا شبکه هاي عصبي و ميانگين تبخيروتعرق مرجع به روش فائو-٥٦ پن ن مانتيس مي باش ن د. ضريب کارايي برابر صفر همان دقت را دارد که بجاي تبخيروتعرق در همه زمانها، ميانگين تبخيروتعرق روش فائو-٥٦ پنمن مانتيس را قرار دهيم . مقادير مثبت ضريب کارايي، نشان از برتري مدلها بر پذيرش ميانگين نتايج را دارد و هنگامي که ضريب کارايي برابر با يک شود، بدين معن ي است که نتايج حاصل از مدلها با نتايج روش مرجع برابر است . مقادير منفي ضريب کارايي نيز بيانگر اين است که مدل در شبيه سازي تبخيروتعرق گياه مرجع بسيار ناموفق است و حتي نمي تواند به اندازه بکار بردن ميانگين روش استاندارد پنمن مانتيس نيز تبخيروتعرق را شبيه سازي نمايد.
٥. آماده سازي داده ها و طراحي مدل شبکه عصبي مصنوعي
طراحي شبکه عصبي مصنوعي شامل ايجاد يک شبکه و آموزش آن تحت چندين ترکيب مختلف از تعداد لايه (هاي) مخفي، نرون هاي لايه (هاي) مخفي، تعداد چرخه هاي آموزش ي ، الگوريتم هاي يادگيري و پارامترهاي آنها مي باشد. در طراحي شبکه عصبي مصنوعي ابتدا بايد شبکه آموزش داده شده و سپس مورد آزمايش قرار گيرد.
از آنجا که شبکه پرسپترون با يک لايه مخفي قادر به تقريب زدن هر تابع غيرخطي مي باشد[١٠]، در اين تحقيق از شبکه هاي پرسپترون چندلايه ٣ (MLP) و قانون يادگيري پس انتشار خطا٤ (BP) براي مدلسازي شبکه هاي عصبي مصنوعي استفاده شد. براي آموزش و آزمون شبکه هاي عصبي، تعداد داده ها بايد بطور مناسب انتخاب شود. اگر تعداد داده هاي آموزش کم باشد، شبکه به اندازه کافي آموزش نمي بيند و چنانچه تعداد داده هاي آموزش بيش از حد باشد، بجاي اينکه شبکه آموزش ببيند، داده هاي خروجي را به خاطر خواهد سپرد. بنابراين شبکه عصبي مصنوعي در هر دو صورت تخمين هاي مناسبي ارائه نخواهد داد. باتوجه به مطالب فوق در تحقيقات مختلف ٧٠ تا ٨٠ درصد داده ها براي آموزش و ٢٠ تا٣٠ درصد داده ها براي آزمايش بکار برده شده اند. لذا در اين تحقيق نيز پس از نرمال سازي، ٨٠ درصد داده ها بطور تصادفي براي آموزش و ٢٠ درصد از آنها براي آزمايش شبکه عصبي استفاده گرديدند. از آنجا که هدف از اين تحقيق مقايسه تطبيقي بين روشهاي تجربي تخمين تبخيروتعرق گياه مرجع و شبکه هاي عصبي مصنوعي معادل آنها مي باشد، نرون هاي لايه ورودي شبکه هاي عصبي، معادل فاکتورهاي ورودي مورد نياز در هرکدام از روشهاي تجربي درنظر گرفته شده است . تنها نرون در لايه خروجي، تبخيروتعرق گياه مرجع حاصل از روش فائو-٥٦ پنمن مانتيس است . براي بدست آوردن بهترين آرايش شبکه عصبي مصنوعي، چندين ترکيب مختلف آزمايش شد. تعداد نرون ها در لايه مخفي بين ١ ، ٢ ، ...،١+i ، ...،١+i٢ متغير است (i =تعداد نرون هاي ورودي). هر آرايش شبکه براي ٢٥٠٠ ، ٥٠٠٠، ١٠٠٠٠، ١٥٠٠٠، ٢٠٠٠٠، ٢٥٠٠٠ و ٣٠٠٠٠ چرخه يادگيري، آموزش داده شد. مقدار بهينه مومنتوم برابر ٠.٨ ميباشد و ن رخ يادگيري نيز بطور خودکار توسط نرم افزار در جهت کمينه کردن خطا تغيير ميکند.

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