مقاله مقایسه روش های هارگریوس و شبکه های عصبی مصنوعی برای تخمین تبخیر و تعرق گیاه مرجع

بخشی از مقاله

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

مقايسه روش هاي هارگريوس و شبکه هاي عصبي مصنوعي براي تخمين تبخير و تعرق گياه مرجع
چکيده :
اکثر ايستگاه هاي هواشناسي فاقد داده هاي مورد نياز و قابل اعتماد براي برآورد تبخير و تعرق گياه مرجع با استفاده از روش پنمن مانتيث ميباشند. در اين شرايط آلن و همکاران (١٩٩٨)، معادله هارگريوس را که فقط نياز به اندازه گيري دماي ماکزيمم و مينيمم روزانه دارد براي برآورد ETo به توصيه کردند. در سالهاي اخير مدل هاي شبکه عصبي براي مدل کردن پديده هاي پيچيده در در علوم مختلف مورد استفاده قرار گرفته است و از جمله براي برآورد ETo نيز استفاده شده و نتايج رضايتبخشي را ارائه داده است . در اين تحقيق ، مدل شبکه عصبي با ساختار ورودي يکسان با روش هارگريوس ساخته شد و نتايج آن با روش هارگريوس مقايسه و ارزيابي گرديد. داده هاي هواشناسي از ١٢ ايستگاه هواشناسي استان خوزستان براي يک دوره ١٠ ساله مورد استفاده قرار گرفت . تبخير و تعرق گياه مرجع به روش پنمن مانتيث برآورد و مبناي مقايسه دو روش هارگريوس و شبکه عصبي واقع شد. نتايج نشان داد، عملکرد روش هارگريوس براي مناطق مختلف استان خوزستان متفاوت است و تبخير و تعرق گياه مرجع را در نقاط مختلف استان کمتر و بيشتر از روش پنمن مانتيث برآورد ميکند. ولي مدل تدوين شده شبکه عصبي با دقت بهتري تبخير و تعرق گياه مرجع را برآورد ميکند.
واژه هاي کليدي : تبخير و تعرق گياه مرجع ، هارگريوس ، پنمن مانتيث ، شبکه هاي عصبي، استان خوزستان

١- مقدمه :
تعيين تبخير و تعرق گياه مرجع (ET0) براي مديريت منابع آب ، برنامه ريزي آبياري مزارع و بررسيهاي زيست محيطي لازم و ضروري است . بعلت هزينه بالاي اندازه گيري مستقيم ET0 ، روش هاي زيادي ارائه شده که اين پارامتر با استفاده از داده هاي هواشناسي برآورد گردد. از ميان انواع روش ها، روش پنمن مانتيث (PM) توسط کارشناسان فائو بعنوان يک روش استاندارد و دقيق براي مناطقي که داده هاي لازم براي آن فراهم باشد، توصيه شده است [١و ٢]. معادله پنمن مانتيث بر اساس مباني فيزيکي پديده تبخير و تعرق تدوين شده و نياز به داده هاي اندازه گيري دماي هوا، رطوبت نسبي، تابش خورشيد و سرعت باد دارد. ولي ايستگاه هاي هواشناسي که داده هاي فوق را بصورت دقيق اندازه گيري کند، محدود است . غالب اوقات تأمين داده هاي هواشناسي ورودي معادله
PM براي کارهاي عملي ، مشکل و هزينه بر مي باشد [٣]. متغيرهاي هواشناسي مورد استفاده در معادله PM، با مقداري خطا اندازه گيري ميشوند و چون تعداد آن ها زياد است ، باعث ايجاد خطاي تجمعي در محاسبه ET0 مي شوند. خطاهاي سيستماتيک و تصادفي در متغيرهاي هواشناسي باعث خطاي معنيدار در محاسبه ET0 مي - شوند [٤]. در اين شرايط معادلات ساده شده و يا تجربي که پارامتر ورودي کمي نياز داشته باشند، بايد در نظر گرفته شود.
زماني که داده هاي کافي و يا داده هاي قابل اعتماد براي حل معادله PM فراهم نباشد، آلن و همکاران [١] معادله هارگريوس (HG) را توصيه نمودند. براي استفاده از معادله هارگريوس [٥] فقط ماکزيمم و مينيمم روزانه دماي هوا لازم است اندازه گيري شود و در اغلب ايستگاه هاي هواشناسي مجهز به دماسنج هاي مينيمم و ماکزيمم مي باشند [٢]. اين معادله براي دوره هاي هفتگي و بيشتر از دقت خوبي برخوردار است [٦].
تعيين ET0 بعلت غير خطي بودن پديده پيچيده است ، زيرا که عوامل هواشناسي موثر در فرآيند تبخير و تعرق مثل دماي هوا، رطوبت ، سرعت باد و تابش خورشيد اثر متقابل دارند. مدل هاي شبکه عصبي مصنوعي (ANNs)، روش هاي مناسبي براي مدل کردن سيستم هاي غيرخطي است و به داده هاي ورودي کمي نياز دارد. بر وفق سادهر و همکاران [٧]، قابليت حل مسئله هايي که به دشواري فرموله مي شوند، مزيت اصلي مدل هاي شبکه عصبي نسبت به روش هاي مرسوم است .
بررسي منابع نشان مي دهد، مدل هاي شبکه عصبي با وروديهاي مختلف براي تعيين ET0 تدوين يافته ولي با روش هارگريوس در مناطق نيمه خشک مقايسه نشده است . براي اينکه اين مقايسه دقيق تر انجام شود، بايد مدل شبکه عصبي را بصورتي آموزش داد که داده هاي ورودي آن مشابه داده هاي لازم در روش هارگريوس باشد. در اين تحقيق ، روش هاي هارگريوس و شبکه عصبي با داده هاي ورودي يکسان مقايسه شدند.
٢- مواد و روش ها
محدوده مطالعه و منابع داده ها
محدوده مورد مطالعه اين تحقيق ، استان خوزستان انتخاب شد و داده هاي هواشناسي مورد نياز اين تحقيق از ١٢ ايستگاه وابسته به سازمان هواشناسي اين استان جمع آوري شد. اين داده ها شامل متغيرهاي روزانه دماي حداقل و حداکثر هوا (Tmax ,Tmin )، رطوبت نسبي (RH)، ساعات واقعي آفتاب (n) و سرعت باد (U) است . روزهايي که داده هاي ناقص داشتند، از تجزيه و تحليل در اين تحقيق حذف شدند. در جدول (١) فهرست نام ايستگاه - ها،مشخصات کلي، دوره مشاهدات و تعداد داده هاي آنها ارائه شده است .

معادلات پنمن مانتيث و هارگريوس
در اين تحقيق روش هاي هارگريوس و شبکه هاي عصبي با روش پنمن مانتيث مقايسه مي شوند. زماني که داده - هاي لايسيمتري در دسترس نباشد، روش پنمن مانتيث را بعنوان يک روش استاندارد براي مقايسه ساير روش ها توصيه شده است [٨، ٩، ١٠]. اگر چه بهترين روش براي ارزيابي مدل هاي تبخير و تعرق استفاده از داده هاي اندازه گيري شده در لايسيمتر است ولي اين داده ها در استان خوزستان وجود ندارد. اين معادله به صورت زير
مي باشد [١]:

در رابطه فوق ، ET_PM تبخير و تعرق گياه مرجع برآورد شده به روش پنمن مانتيث دماي هوا سرعت باد در ارتفاع ٢ متري شار تابش خالص در سطح زمين کمبود فشار بخار اشباع هوا (KPa)، ∆ شيب منحني فشار بخار اشباع با دما و γ ثابت سايکرومتر مي باشند. پارامترهاي فوق با استفاده از روابط ارائه شده آلن و همکاران برآورد گرديد.
هارگريوس و ساماني [١١] رابطه تجربي زير را که مبتني بر درجه حرارت است براي تعيين تبخير و تعرق گياه مرجع ارائه نمودند:

در معادله فوق ،ET_HG تبخير و تعرق گياه مرجع برآورد شده بروش هارگريوس ،Ra تابش بيرون زميني برحسب عمق آب تبخير شده (mm.d) ،Tmax و Tmin ماکزيمم و مينيمم روزانه دماي هوا (C°) و T متوسط دماي روزانه که از ميانگين دماي ماکزيمم و مينيمم روزانه دماي هوا بدست مي آيد.
مدل شبکه عصبي
روش ديگري که در اين تحقيق براي تعيين تبخير و تعرق گياه مرجع با استفاده از داده هاي دمايي مورد استفاده قرار گرفت ، روش شبکه هاي عصبي است . مدل شبکه عصبي با ساختار پيش خور چند لايه ١ که شامل يک لايه ورودي ، يک لايه مخفي و يک لايه خروجي با تابع انتقال از نوع سيگموئيد است مورد استفاده قرار گرفت . در داخل هر يک از لايه هاي فوق ، تعدادي نرون قرار دارند که با اتصالات وزن دار بهم مربوط مي شوند. تعداد نرون هاي لايه هاي ورودي و خروجي بستگي به تعداد متغيرهاي ورودي و خروجي مدل دارد ولي انتخاب تعداد نرون هاي لايه مياني بصورت سعي و خطا تعيين مي شود. قبل از استفاده از مدل شبکه عصبي ، وزن ها و اريب هاي ارتباط دهنده نرون هاي شبکه تعيين مي شوند. بهمين منظور با استفاده از يک سري داده شبکه آموزش مي بيند.
در اين تحقيق از روش آموزشي انتشار به عقب براي آموزش شبکه استفاده شده است و از ميان الگوريتم هاي مختلف اين روش آموزشي ، الگوريتم لونبرگ مارکوارت ٢ انتخاب گرديد. در اين روش ، تمام دادها براي تدوين ساختار مدل به سه گروه تقسيم مي شود [١٢]. اولين گروه داده ها به عنوان داده هاي آموزش ، براي تعيين وزنها و اريب هاي شبکه استفاده ميشوند و دومين گروه از داده ها براي ارزيابي وزنها و اريب هاي شبکه و تصميم گيري براي توقف مرحله آموزشي مورد استفاده قرار مي گيرند. در اين تحقيق ٦ ايستگاه هواشناسي آبادان ، مسجد سليمان ، رامهرمز، اميديه ، ايذه و دزفول براي آموزش و ارزيابي شبکه و بقيه براي آزمون مدل استفاده شدند. از ميان داده هاي آموزش و ارزيابي ،٧٠ درصد آن به آموزش و ٣٠ درصد بقيه به ارزيابي شبکه اختصاص داده شدند.
معيارهاي آماري
در اين تحقيق جهت ارزيابي مدل شبکه عصبي تدوين يافته و روش هارگريوس ، معيارهاي آماري ضريب تعيين (R٢)، جذر ميانگين مربع خطاها (RMSE)، خطاي انحراف از ميانگين (MBE) و نسبت ETo برآورد شده از روابط هارگريوس و مدل شبکه عصبي به ETo پنمن مانتيث (R) استفاده شدند.
٣- نتايج و بحث
تخمين تبخير و تعرق گياه مرجع به روش هارگريوس
روش هاي هارگريوس و پنمن مانتيث براي برآورد تبخير و تعرق ماهيانه گياه مرجع براي ١٢ ايستگاه هواشناسي استان خوزستان اجرا شد و نتايج آن در شکل ١ و جدول ٢ ارائه شده است . ملاحظه ميشود بين ET_HG و ET_PM همخواني خوبي وجود دارد ولي زماني که شدت ETo زياد است مقدار ET_HG کم برآورد مي - شود. مقادير بالاي ضريب تعيين (٠.٩٣ < R٢) نشان دهنده اين است که هميستگي خطي خوبي بين اين روش ها وجود دارد ولي بين نقاط مختلف تغيرات اين ضريب زياد است بصورتيکه ٥ ايستگاه ETo را کم برآورد مي - کنند و ٣ ايستگاه نيز بيشتر برآورد مي کنند و ٤ ايستگاه نتايج مطلوبي ارائه مي دهند ( کم برآورد و بيش برآورد کمتر از ٥ درصد ميباشد). با در نظر گرفتن تمام ايستگاه ها، مقادير RMSE بين ٠.٥٩ تا ١.٧٤ ميليمتر در روز تغيير مي کند. مقادير MBE از ١.٢٢- تا ١.٤٤ ميليمتر در روز تغيير مي کند. نسبت مقادير ET_HG و ET_PM نشان ميدهد که حداکثر کم برآورد حدود ٢٠ درصد و حداکثر بيش برآورد نيز ٣٧ درصد ميباشد.