مقاله مقایسه تطبیقی روشهای دمایی و مدلهای شبکه عصبی مصنوعی جهت تخمین تبخیروتعرق گیاه مرجع (مطالعه موردی : منطقه کرمان )

word قابل ویرایش
15 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 ***

مقایسه تطبیقی روشهای دمایی و مدلهای شبکه عصبی مصنوعی جهت تخمین تبخیروتعرق گیاه مرجع (مطالعه موردی : منطقه کرمان )
خلاصه
تخمین تبخیروتعرق گیاه مرجع (ETo) در بررسی بیلان آب ، مدیریت م نابع آب و برنامه ریزی آبیاری ضروری میباشد. این تحقیق بمنظور مقایسه نتایج حاصل از روش های دمایی(حرارتی) برآورد تبخیروتعرق گیاه مرجع با مدلهای شبکه عصبی مصنوعی معادل آنها، انجام شده است . در این مطالعه با استفاده از داده های هواشناسی روزانه ایستگاه سینوپتیک کرمان طی سالهای ٢٠٠٠ تا ٢٠٠٩ میلادی، تبخیروتعرق گیاه مرجع با روشهای هارگریوز-سامانی و فائو-٢۴ بلانیکریدل ، محاسبه گردید. سپس برای هرکدام از روشهای فوق ، با توجه به داده های ورودی، بهترین مدل شبکه عصبی مصنوعی(پرسپترون چندلایه ) طراحی و انتخاب شد. در نهایت باتوجه به معیارهای خطای تخمین استاندارد و ضریب کارایی مدل مشخص گردید شبکه های عصبی مصنوعی، تبخیروتعرق گیاه مرجع را با خطای کمتری نسبت به روش تجربی معادل تخمین می زنند. همچنین مدل شبکه عص ب ی معادل روش فائو-٢۴ بلانیکریدل نسبت به سایر روشهای مورد مطالعه دارای دقت بیشتری در تخمین میباشد.
کلمات کلیدی: تبخیروتعرق گیاه مرجع ، شبکه عصبی مصنوعی ، هارگریوز سامانی ،فائو-٢۴ بلانیکریدل .

١. مقدمه
کشور ایران از جمله مناطق نیمه خشک بوده و میانگین بارندگی سالانه آن حدود یک سوم متوسط بارش سالانه در جهان میباشد. در سالهای اخیر بدلیل افزایش جمعیت ، توسعه کشاورزی و رشد صنایع ، مصرف سرانه آب افزایش یافته ، بنابراین با توجه به محدودیت منابع آب ، لزوم ب رنامه ریزی جهت استفاده صحیح ، غ یرقابل انکار میباشد.
تنها روش مستقیم و دقیق ترین روش برای تخمین تبخیروتعرق ، محاسبه بیلان آب با استفاده از لایسیمتر۴ میباشد. اما استفاده از لایسیمتر خیلی گران و وقت گیر بوده و از طرفی نیاز به دقت و توجه در آزمایشات دارد. بنابراین بتدریج چندین روش برای تخمین تبخیروتعرق گیاه مرجع بصورت غیرمستقیم ابداع شد که از داده های اقلیمی و هواشناسی استفاده میکنند.
پنمن در سال ١٩۴٨ نخستین روش ترکیبی را ابداع نمود. سپس با درنظر گرفتن محاسبه هدایت سطحی که در اثر واکنش روزنه های برگ به شرایط هیدرولوژیکی حاصل میشود، به مانتیس ١٩۶۵ یا مدل تبخیروتعرق پنمن -مانتیس (PM) تغییر داده شد[١]. ب سیاری از دانشمندان طی آزمایشات مختلف مناسب بودن روش پنمن -مانتیس را برای تخمین تبخیروتعرق گیاه مرجع مطالعه کرده اند[٢و٣و۴و۵]. جنسن در سال ١٩٩٠ گزارش داد بهترین روش برای تخمین تبخیروتعرق مرجع در هر دوناحیه خشک و مرطوب ، روش پنمن -مانتیس میباشد[۶].
آلن و همکارانش تعدادی از متغیرهای پایه پنمن -مانتیس را به مقدار ثابت تغییر داده و آنرا برای گیاه مرجع چمن ساده نمودند[٢]. در نهایت شکل معادله مذکور بصورت فائو ۵۶- پنمن مانتیس ١ درآمد که توسط فائو بعنوان تنها روش استاندارد در محاسبه تبخیروتعرق گیاه مرجع در شرایطی که همه داده های اقلیمی مورد نیاز، بصورت قابل اطمینان در دسترس باشند، معرفی گردید . مطالعات مقایسه ای بسیاری که روی مدل فائو-۵۶ پنمن مانتیس انجام شد این روش را بعنوان یک مدل تخمین تبخیروتعرق مرجع استاندارد بین المللی به رسمیت شناخت [٧و٨و٩].
بهرحال نیاز به داده های کامل آب وهوایی، روش فائو-۵۶ پنمن مانتیس را کمتر کاربردی میسازد. ازطرفی نتایج روشهای دیگر مانند روشهای تجربی که به داده های کمتری نیاز دارند نیز از دقت کمتری برخوردار میباشد. لذا یافتن روشی که بتواند نسبت به روشهای تجربی معادل ، تخمین بهتری را حاص ل نماید دارای اهمیت است . تاکنون در مورد تعیین بهترین روش برآورد تبخیروتعرق گیاه مرجع در مناطق مختلف و نیز مدلسازی تبخیروتعرق گیاه مرجع بوسیله شبکه های عصبی مصنوعی تحقیقات زیادی صورت گرفته است . آیتک و همکاران (٢٠٠٨)، قابلیت شبکه عصبی مصنوعی را جهت برآورد تبخیروتعرق پتانسیل در مقایسه با فرمولهای تجربی، در کالیفرنیا مورد سنجش قراردادند. در نهایت نتیجه گیری شد که مدل شبکه عصبی مصنوعی نسبت به تمام فرمولهای محاسبه تبخیروتعرق مرجع ارجحیت دارد [١٠١٠]. پلنگی و همکاران (١٣٨۵)، تبخیروتعرق پتانسیل گیاه مرجع را با استفاده از شبکه عصبی در منطقه اهواز تخمین زده و نتیجه گرفنت د میتوان با استفاده از شبکه های عصبی، تبخیر و تعرق گیاه مرجع را با درصد بسیار کم خطا پیش بینی نمود [١١]. دای و همکاران (٢٠٠٨)، از سه و چهار فاکتور آب و هوایی برای تخمین تبخیر وتعرق پتانسیل با استفاده از شبکه ع صبی مصنوعی در چین استفاده کرد، نتایج نشان داد که شبکه های عصبی مصنوعی مقدار تبخیروتعرق را بهتر از روش رگرسیون چندگانه برآورد مینمایند[١٢]. رحیمی خوب (١٣٨۶)، طی تحقیقی با عنوان مقایسه روشهای هارگریوز و شبکه عصبی مصنوعی در تخمین تب خیروتعرق مرجع ، نشان داد که روش هارگریوز اغلب ، کمتر یا بیشتر از روش فائو-۵۶ پنمن تخمین می زند ولی شبکه عصبی مصنوعی در تمام ایستگاه ها تبخیروتعرق مرجع را نسبت به روش تجربی، بهتر برآورد مینماید [١٣]. شایان نژاد (١٣٨۵)، نشان داد شبکه عصبی مصنوعی در تعیین تبخیروتعرق پتانسیل بسیار دقیق تر از روش پنمن مانتیس می باشد [١۴]. لاندراس و همکاران (٢٠٠٨)، روشهای تجربی و نیمه تجربی تخمین تبخیروتعرق مرجع روزانه را با مدلهای شبکه های عصبی مصنوعی در شمال اسپانیا مورد مقایس ه قرار دادند. در نهایت شبکه های عصبی مصنوعی نسبت به معادلات تجربی، نتایج بهتری را حاصل نمودند [١۵].
با توجه به اینکه منطقه کرمان ، بدلیل کم بودن نزولات جوی بخصوص در سالهای اخیر، با کاهش منابع آبی و افت شدید سطح آبهای زیرزمینی مواجه است ، لذا ضرورت محاسبه دقیق مؤلفه های بیلان آب و مدیریت آب و آبیاری در آن از اهمیت زیادی برخوردار می باشد. بنارب این تحقیق حاضر به بررسی توانایی شبکه های عصبی مصنوعی جهت تخ مین تبخیروتعرق مرجع میپردازد. بهمین منظور از میان روشهای تجربی دمایی، دو روش هارگریوز-سامانی و فائو-٢۴ بلانی کریدل انتخاب شده سپس معادل هر روش ، یک شبکه عصبی مصنوعی بهینه طراحی گردیده و در نهایت برای یافتن مناسبترین روش تخمین ، نتایج حاصل از روشهای تجربی با خروجی های شبکه های عصبی مصنوعی مقایسه شدند.
٢. معرفی منطقه موردمطالعه و جمع آوری داده ها
اطلاعات مورد نیاز این طرح شامل حداقل و حداکثر دمای هوا، حداقل و حداکثر رطوبت نسبی، سرعت باد و ساعات آفتابی، طی سالهای آماری ١٣٧٩ تا ١٣٨٨ (٢٠٠٠ تا ٢٠٠٩ میلادی) بطور روزانه از ایستگاه هواشناسی سینوپتیک واقع در فرودگاه شهر کرمان جمع آوری گردید. این ایستگاه دارای طول جغرافیایی ۵۶ درجه و ۵٨ دقیقه شمالی، عرض جغرافیایی ٣٠ درجه و ١۵ دقیقه شرقی و ارتفاع ١٧۵٣.٨ متر از سطح دریا بوده و در سال ١٣٣٠ هجری شمسی احداث شده است . منطقه کرمان دارای آب و هوای نیمه خشک و گرم است . حداکثر دمای هوای روزانه طی سالهای مورد مطالعه ، ۴١.۶ درجه سانتیگراد و حداقل آن ١۵.٢- درجه سانتیگراد میباشد. رطوبت نسبی روزانه بین ١ تا ١٠٠ درصد، میانگین سرعت باد بین صفر تا ١٠.٨ متربرثانیه و ساعات آفتابی نیز بین صفر تا ١٣.۵ ساعت در روز متغیر بوده است .
روشهای تخمین تبخیروتعرق گیاه مرجع به چند دسته ازجمله روشهای اندازه گیری مستقیم ، روشهای تجربی شامل روشهای دمایی و تابشی، روشهای بیلان انرژی، روشهای آیرودینامیک و روشهای ترکیبی تقسیم می شوند. روشهای تجربی برای محاسبه به داده های هواشناسی و اقلیمی نیاز داشته و محاسبه آنها از سایر روشها ساده تر میباشد. از میان روشهای تجربی نیز روشهای دمایی بدلیل اینکه تنها به داده های دمایی نیاز دارند، متداول تر میباشند.
در این تحقیق بدلیل عدم وجود مقادیر اندازه گیری شده تبخیروتعرق گیاه مرجع ، براساس پیشنهاد ASCE، روش فائو-۵۶ پنمن مانتیس بعنوان روش مرجع درنظر گرفته شده و مقادیر تخمین حاصل از روشهای مختلف با نتایج این روش مقایسه میگردند. از طرفی بدلیل تاثیر تعداد و نوع داده های ورودی برروی دقت نتایج شبکه های عصبی مصنوعی، روشهای تجربی بگون ه ای انتخاب گردید تا به تعداد متفاوت فاکتور ورودی نیاز داشته باشند.
بهمین دلیل در این مطالعه از میان روشهای دمایی(حرارتی) تخمین تبخیروتعرق گیاه مرجع ، دو روش هارگریوز-سامانی و فائو-٢۴ بلانیکریدل انتخاب شدند. داده های هواشناسی مورد نیاز برای هرکدام از روشهای فوق در جدول ١ آمده است .

٣-١- روش هارگریوز سامانی
فرمول روش هارگریوز-سامانی بصورت زیر می باشد:

ETo= تبخیروتعرق مرجع (میلیمتر در روز) ، Tmean= میانگین دمای هوای روزانه (درجه سانتیگراد) ، Tmax= حداکثر دمای هوای روزانه (درجه سانتیگراد)
Tmin= حداقل دمای هوای روزانه (درجه سانتیگراد) ، Ra= تابش خارج از جو (میلیمتر در روز) که با استفاده از شماره ماه و عرض جغرافیایی محاسبه میگردد.
٣-٢- روش فائو-٢۴ بلانی کریدل
فرمول فائو-٢۴ بلانیکریدل بصورت زیر است :

ETo = تبخیروتعرق گیاه مرجع (میلیمتر در روز) ، P = ضریب مربوط به طول روز یا درصد سالانه تابش آفتاب در ماه که بصورت روزانه توصیف شده است و با داشتن عرض جغرافیایی در ماه مورد نظر بدست میآید. (متوسط ساعات روشنایی هر روز در ماه مورد نظر تقسیم بر کل ساعات روشنایی سال ضربدر ١٠٠) ، T = دمای متوسط هوا (درجه سانتیگراد)
a و b ضرایب اصلاحی روش بلانی-کریدل میباشند که به حداقل رطوبت نسبی هوا، نسبت ساعات واقعی آفتابی به حداکثر ممکن ساعات آفتابی (n.N)
و سرعت باد در روز بستگی دارد که می توان آنها را از معادله های زیر بدست آورد:

که در آن n = تعداد ساعات آفتابی واقعی ، N = حداکثر ساعات آفتابی ممکن ، RHmin = حداقل رطوبت نسبی برحسب درصد و Uday = سرعت باد درطول روز در ارتفاع ٢متری از سطح زمین برحسب متربرثانیه میباشد.
۴. معیارهای ارزیابی
با استفاده از آزمون های آماری مقایسه ای، مقادیر تبخیروتعرق حاصل از مدلهای تخمین با مقادیر هدف که همان تبخیروتعرق مرجع حاصل از روش فائو-۵۶ پنمن مانتیس میباشد، مقایسه میشود. برای تعیین بهترین مدل از شاخص های خطای تخمین استاندارد (SEE) و ضریب کارایی مدل (E) استفاده گردید.
۴-١- خطای تخمین استاندارد١ (SEE) :
خطای تخمین استاندارد حاصل از روشهای مختلف برآورد در مقایسه با مقدار هدف (تبخیروتعرق فائو-۵۶ پنمن مانتیس ) بصورت زیر محاسبه میشود :

SEE= خطای تخمین استاندارد (میلیمتر در روز) ، P= تبخیروتعرق مرجع فائو-۵۶ پنمن مانتیس (میلیمتر در روز، E= تبخیروتعرق مرجع تخمین زده شده بوسیله روشهای تخمین (میلیمتر در روز) ، n= تعداد داده ها
۴-١- ضریب کارایی مدل یا ضریب ناش -ساتکلیف ٢ (E) :
برای ارزیابی مدلهای تخمین تبخیروتعرق گیاه مرجع ، ضریب کارایی مدل بصورت زیر تعریف می شود[١۶] :

که در آن به ترتیب تبخیروتعرق مرجع فائو-۵۶ پنمن مانتیس ، تبخیروتعرق هرکدام از روشهای تجربی یا شبکه های عصبی و میانگین تبخیروتعرق مرجع به روش فائو-۵۶ پن ن مانتیس می باش ن د. ضریب کارایی برابر صفر همان دقت را دارد که بجای تبخیروتعرق در همه زمانها، میانگین تبخیروتعرق روش فائو-۵۶ پنمن مانتیس را قرار دهیم . مقادیر مثبت ضریب کارایی، نشان از برتری مدلها بر پذیرش میانگین نتایج را دارد و هنگامی که ضریب کارایی برابر با یک شود، بدین معن ی است که نتایج حاصل از مدلها با نتایج روش مرجع برابر است . مقادیر منفی ضریب کارایی نیز بیانگر این است که مدل در شبیه سازی تبخیروتعرق گیاه مرجع بسیار ناموفق است و حتی نمی تواند به اندازه بکار بردن میانگین روش استاندارد پنمن مانتیس نیز تبخیروتعرق را شبیه سازی نماید.
۵. آماده سازی داده ها و طراحی مدل شبکه عصبی مصنوعی
طراحی شبکه عصبی مصنوعی شامل ایجاد یک شبکه و آموزش آن تحت چندین ترکیب مختلف از تعداد لایه (های) مخفی، نرون های لایه (های) مخفی، تعداد چرخه های آموزش ی ، الگوریتم های یادگیری و پارامترهای آنها می باشد. در طراحی شبکه عصبی مصنوعی ابتدا باید شبکه آموزش داده شده و سپس مورد آزمایش قرار گیرد.
از آنجا که شبکه پرسپترون با یک لایه مخفی قادر به تقریب زدن هر تابع غیرخطی می باشد[١٠]، در این تحقیق از شبکه های پرسپترون چندلایه ٣ (MLP) و قانون یادگیری پس انتشار خطا۴ (BP) برای مدلسازی شبکه های عصبی مصنوعی استفاده شد. برای آموزش و آزمون شبکه های عصبی، تعداد داده ها باید بطور مناسب انتخاب شود. اگر تعداد داده های آموزش کم باشد، شبکه به اندازه کافی آموزش نمی بیند و چنانچه تعداد داده های آموزش بیش از حد باشد، بجای اینکه شبکه آموزش ببیند، داده های خروجی را به خاطر خواهد سپرد. بنابراین شبکه عصبی مصنوعی در هر دو صورت تخمین های مناسبی ارائه نخواهد داد. باتوجه به مطالب فوق در تحقیقات مختلف ٧٠ تا ٨٠ درصد داده ها برای آموزش و ٢٠ تا٣٠ درصد داده ها برای آزمایش بکار برده شده اند. لذا در این تحقیق نیز پس از نرمال سازی، ٨٠ درصد داده ها بطور تصادفی برای آموزش و ٢٠ درصد از آنها برای آزمایش شبکه عصبی استفاده گردیدند. از آنجا که هدف از این تحقیق مقایسه تطبیقی بین روشهای تجربی تخمین تبخیروتعرق گیاه مرجع و شبکه های عصبی مصنوعی معادل آنها می باشد، نرون های لایه ورودی شبکه های عصبی، معادل فاکتورهای ورودی مورد نیاز در هرکدام از روشهای تجربی درنظر گرفته شده است . تنها نرون در لایه خروجی، تبخیروتعرق گیاه مرجع حاصل از روش فائو-۵۶ پنمن مانتیس است . برای بدست آوردن بهترین آرایش شبکه عصبی مصنوعی، چندین ترکیب مختلف آزمایش شد. تعداد نرون ها در لایه مخفی بین ١ ، ٢ ، …،١+i ، …،١+i٢ متغیر است (i =تعداد نرون های ورودی). هر آرایش شبکه برای ٢۵٠٠ ، ۵٠٠٠، ١٠٠٠٠، ١۵٠٠٠، ٢٠٠٠٠، ٢۵٠٠٠ و ٣٠٠٠٠ چرخه یادگیری، آموزش داده شد. مقدار بهینه مومنتوم برابر ٠.٨ میباشد و ن رخ یادگیری نیز بطور خودکار توسط نرم افزار در جهت کمینه کردن خطا تغییر میکند.

این فقط قسمتی از متن مقاله است . جهت دریافت کل متن مقاله ، لطفا آن را خریداری نمایید
word قابل ویرایش - قیمت 12700 تومان در 15 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