بخشی از مقاله
*** اين فايل شامل تعدادي فرمول مي باشد و در سايت قابل نمايش نيست ***
مقایسه سیستمهاي هوش مصنوعی ANNs) و (ANFIS در برآورد میزان تبخیر از تشتک مطالعه موردي: ایستگاه سینوپتیک چابهار
چکیده
امروزه در دنیا، آب و منابع آب، یکی از پایههاي اصلی توسعه پایدار بهشمار میرود. با توجه به محدودیت منابع آب در مناطق خشک و نیمه خشک، جلوگیري از هدر رفت آب از طریق تبخیر به عنوان یکی از عناصر مهم چرخه هیدرولوژي، نقش مهمی را در توسعه و مدیریت منابع آب بازي میکند. در زمینه برآورد تبخیر از تشتک روشها و فرمولهاي تجربی زیادي ارائه شده است که اکثر آنها نیازمند پارامترهاي ورودي متعددي هستند که یا دسترسی به آنها مشکل است و یا اندازهگیري آنها محتاج صرف هزینه و زمان زیادي میباشد. در این تحقیق از دو مدل، ANNs، ANFIS جهت برآورد تبخیر از تشتک تحت مطالعه موردي در ایستگاه سینوپتیک و چابهار(تحت شرایط اقلیمی خشک و گرم ساحلی) استفاده شده است. براي این منظور، بهترین ترکیب ورودي مدل با استفاده از آزمون گاما، میانگین روزانه دما، رطوبت نسبی، سرعت باد، تعداد ساعات آفتابی و میانگین فشار هوا انتخاب گردید. براساس نتایج حاصله ازبکارگیري معیارهاي ارزیابی کارایی مدل ANFIS براي ایستگاه چابهار R2=0/966 و RMSE=3/88 و d=0/991 و MAE=0/160، با استفاده از 3 تابع عضویت نوع گوسی تعیین گردید. همچنین براساس نتایج حاصله ازبکارگیري معیارهاي ارزیابی کارایی مدل ANNs براي ایستگاه چابهار R2=0/962 و RMSE=4/36 و d=0/989 و MAE=0/24، حاصل گردید که نشان از توانایی بهتر مدل ANFIS در برآورد فرآیند تبخیر از تشتک در این ایستگاه دارد.
واژه هاي کلیدي: آزمون گاما، ایستگاه سینوپتیک چابهار، تبخیر از تشتک، شبکههاي عصبی مصنوعی، شبکههاي عصبی فازي
مقدمه:
تبخیر پارامتري است که در بررسی منابع آب یک منطقه علاوه بر کمیت آب موجود، بر کیفیت آن نیز تأثیر گذار است. اهمیت این پارامتر در مناطقی از ایران که داراي اقلیم خشک و نیمه خشک بوده و مشکل کم آبی نیز وجود دارد، دو چندان میگردد. یکی از نواحی مذکور استان سیستان و بلوچستان است(پیري، .(1386 بررسی اقلیمی این ناحیه نشان میدهد که بطور طبیعی استعداد زیادي براي تبخیر در این منطقه وجود دارد. بالا بودن درجه حرارت و وزش باد، به همراه پایین بودن رطوبت نسبی، تبخیر آب را نسبت به سایر مناطق افزایش میدهد. متوسط سالیانه تبخیر در ایران تقریباً 180میلی متر معادل 71درصد بارندگی متوسط سالیانه برآورد گردیده است. مقادیر ارائه شده شـاهد براین ادعـاست که تبـخیر پارامــتر مؤثري در بیـلانهاي مـنابع آب منـطقهاي در ایـــران است(پیري، .(1386 مدلهاي تبخیر موجود نیازمند پارامترهاي ورودي هستند که یا دسترسی به آنها مشکل است و یا اندازهگیري آنها محتاج صرف هزینه و زمان زیادي میباشد. در این میان در دهههاي اخیر مدلهاي هوش مصنوعی که با الهام از فرآیندهاي طبیعی عــمل مینمایند، بعـنوان گزینهاي برتر مورد تحقیق و بررسی قرار میگیرند. این مدلها میتوانند با حداقل پارامترهاي اندازهگیري شده و با دقت قابل قبولی تغییرات متغیر مورد نظر را پیش بینی نمایند. جذابیت مدلهاي هوش مصنوعی بخاطر توانایی آنها در حل مسائل غیرخطی، حجیم و داراي خطا میباشد. همچنین این مدلها توانایی یادگیري حل مسائـــلفازي و تشـــخیص الگوها را نیز دارا می باشند (اصغري اسکویی و همکاران .(1381 دراین تحقیق، از دو مدل شبکه عصبی و عصبی-فازي جهت برآورد تبخیر از تشتک گسترش یافت. هدف اصلی پیدا کردن مدل بهتردر جهت پیشبینی تغییرات پارامترهاي دما، سرعت باد، رطوبت نسبی، فشار، ساعات آفتابی در ایستگاه ، چابهار میباشد، تا بتوان ازآن به منظور آنالیز سریع تبخیر در این سه ایستگاه استفاده نمود. در این مقاله با استفاده از الگوریتم ژنتیک بهترین ترکیب ورودي به مدلها انتخاب گردید و براي دو مدل ANNs و ANFIS جهت تخمین تبخیر استفاده شده است. نتایج پیشبینی توسط نرم افزار MATLAB از کارآمد بودن مدل هاي فوق حکایت دارد.
مدل شبکه عصبی مصنوعی (١(ANNs
شبکههاي عصبی مصنوعی بهطور کلی نوعی شبیهسازي از سیستم اعصاب طبیعی است و شامل مجموعهاي از واحدهاي عصبی بنام نرون2 میباشد که توسط ارتباطاتی موسوم به آکسون3 به هم متصل هستند. هر نرون توسط دندریتها1 سیگنالهاي خروجی دیگر نرونها را دریافت مینماید. به محل اتصال خروجی یک نرون (اکسون) و ورودي نرون دیگر (دندریت) سیناپس2 گویند. انتقال سیگنال در سیناپس از طریق واکنشی شیمیایی صورت میگیرد(منهاج ،.(1384 در شبکههاي عصبی مصنوعی سعی بر این است که ساختاري مشابه ساختار بیولوژیکی مغز انسان و شبکه عصبی بدن طراحی شود تا همانند آن، قدرت یادگیري، تعمیمدهی و تصمیمگیري داشته باشد(منهاج، .(1377 یکی از ویژگیهاي بخصوص شبکههاي عصبی، حساسیت کم در برابر وجود خطا در نرونهاي ورودي است. این مسأله با پردازش اطلاعات بهصورت موازي تحقق مییابد. این تقسیمِ کار، و پردازش موازي اطلاعات پیامد مثبتی را در پی دارد و آن این است که، چون تعداد زیادي نرون درگیر فعالیت هستند، سهم هر یک از نرونها چندان حائز اهمیت نیست. بنابراین وجود خطا در یکی از نرونها و نتیجه آن، تأثیر چندانی بر روي واحــــــدهاي محــاسباتی نمیگذارد (تمدن،(1381یک. شبکه عصبی مصنوعی معمولاً از سه لایه شامل لایه ورودي، لایه میانی و لایه خروجی تشکیل میشوند. لایه ورودي شامل واحدهایی (گرههایی) به تعداد متغیرهاي توضیحی مدل می باشند. براي نمونه اگر تعداد متغیرهاي توضیحی (مستقل) پنج باشد، لایه ورودي نیز داراي پنج گره خواهد بود. لایهاي که خروجی آن، خروجی شبکه باشد به لایه خروجی موسوم است. لایه ورودي و خروجی به ترتیب مشابه متغیرهاي مستقل و وابسته در مدل رگرسیون عمل مینمایند. پژوهشگران معمولاً شبکههاي عصبی را با یک یا دو لایه مخفی طراحی میکنند (جورابیان و همکاران.(1381 چرا که شبکههاي عصبی با لایههاي میانی داراي توانایی بیشتري نسبت به شبکههاي عصبی دو لایه هستند(قدیمی و همکاران .(1381 شبـــکه عصــبی استفاده شده در این مــقاله از نـــوع (Multilayer Perceptron) MLP است(پیري و همکاران .(2009 تعداد لایه میانی MLP دراین مطالعه، یک لایه درنظرگرفته شده است. ساختار کلی چنین شبکهاي در شکل (1) نمایش داده شده است. این شبکه قادر است با استفاده از توابع غیر خطی در لایه میانی و تابع خطی در نرون خروجی و استفاده از تعداد کافی نرون در لایه میانی، هر تابع پیوسته اي را با هر دقت دلخواه تقریب بزند. در شکل (1) ورودي I Rn و خروجی y R میباشد. p تعداد نرون در لایه میـــانی است. در فاز یادگیري از الگوریتم یادگیري شبکه به روش Basic Levenbeng Marquardt ) marq (Method اســــتفاده شـــــــده است در این روش از معـــیار ( Mean Square Error) MSE استفاده می شود که داراي خواص همگرایی سریع و مقاومی بهتري نسبت به الگوریتم BP استاندارد ( Back (propagation است. وزنهاي اولیه شبکه به صورت تصادفی3 انتخاب می شوند(مقدم نیاو همکاران .(2009
سیستم استنتاج فازي-عصبی تطبیقی :(ANFIS1)
اولین بار نظریه مجموعههاي فازي در سال 1965 توسط پروفسور لطفی عسکرزاده دانشـمند ایرانـی تبـار و استاد دانشگاه برکلی، عرضه شد. ایـن نظریـه از زمـان ارائـه آن تـاکنون گسـترش زیـادي یافتـه و کاربردهـاي گوناگونی در زمینههاي مختلف پیدا کرده است. در سال 1993 جانگ با مدنظر قـرار دادن توانـائیهـاي تئـوري فازي و شبکه عصبی مدل استنتاج فازي-عصبی تطبیقی را ارائه کرد(جانگ و همکاران، .(1993
در سیستم فازي-عصبی روش متداول آموزش، سیستم استنتاج فازي نوع ساجینو میباشد که از الگوریتم یادگیري پیوندي براي تعیین پارامترهاي سیستم فازي به منظور آموزش مدل استفاده میکند(جانگ و همکاران، .(1997 مدل ANFIS مدلی با ساختار پنج لایهاي است که از ترکیب مدلهاي منطق فازي و شبکه عصبی مصنوعی بوجود آمده است.
-1 لایه اول یا لایه وروديها که در این لایه درجه عضویت گرههاي ورودي به بازههاي مختلف فازي با اسـتفاده از توابع عضویت مشخص میگردد. توابع عضویت انواع متفاوتی دارد که از جمله آن میتوان به توابع ذوزنقـهاي، مثلثی، سیگموئید، گوسی و تابع زنگولهاي شکل، که حالت کلیتري از آنها را شامل میشود، اشاره کرد.
-2 لایه دوم که در آن مقادیر ورودي به هر گره در هم ضرب شده و حاصل که وزن قانونهـا مـیباشـد بدسـت میآید.
-3 لایه سوم که گرههاي این لایه، وزن قانونها را نرمالسازي میکنند.
-4 لایه چهارم که لایه قوانین نامیده میشود و در این لایه قانونها بدست میآیند.
-5 لایه پنجم که آخرین لایه شبکه میباشد تنها شامل یک تک گره بوده که با جمع کردن همه مقادیر ورودي به آن خروجی کل را محاسبه میکند. در پایان تجزیه و تحلیلهاي بدست آمده از هر یک از مدلها که با معماريها و الگوریتمهاي مختلف به دست آمدهاند را با یکدیگر مقایسه و بهترین نتیجه را بدست میآوریم.
آزمون گاما:
آزمون گاما یک ابزار مدلسازي غیرخطی است که بـه کمـک آن مـیتـوان ترکیـب مناسـب از پارامترهـاي ورودي براي مدلسازي دادههاي خروجی و ایجاد یک مدل هموار را بررسی نمـود. همچنـین یـک ابـزار توسـعه یافته براي تخمین میانگین مربعات خطاي حاصل از مدلسازي پدیدههاي مختلف با استفاده از مجموعـه داده-هاي مشاهداتی از آن پدیده است (ریمسان و همکاران، .(2008 بعبارت دیگر، بـا اسـتفاده از روش آزمـون گامـا براي پیش پردازش پارامترها میتوان ترتیب میزان اهمیت پارامترهاي ورودي، بهترین ترکیب از میـان ترکیـب-هاي ممکن و تعداد دادههاي مورد نیاز براي ایجاد یک مدل همـوار جهـت ورود بـه شـبکه عصـبی مصـنوعی و ANFIS را بدست آورد.
اگر فرض شود N پارامتر ورودي بر وقوع پدیدهاي موثر باشند تعداد 2N-1 ترکیب معنیدار از پارامترهاي ورودي بوجود میآید که براي مدلسازي این پدیده با استفاده از ANNS و ANFIS بررسی تک تک ترکیبات ایجاد شده براي یافتن بهترین ترکیب کاري بسیار وقتگیر و خسته کننده است. بنابراین هنگامی که عوامل موثر بر پدیدهاي بطور قابل ملاحظهاي زیاد باشد با استفاده از آزمون گاما میتوان ترتیب میزان اهمیت پارامترهاي ورودي و بهترین ترکیب از میان تمام ترکیبهاي ممکن را بدست آورد(مقدمنیا و همکاران، .(2009
اعتبار سنجی ساختار مدل
بررسی اعتبار مدل با مقایسه تبخیر پیشبینی شده و مقادیر اندازهگیري شده براي تعدادي از سالهاي آماري که در آموزش شبکه از آنها استفاده نشده است صورت گرفت. براي این منظور از ویژگیهاي آماري جذر میانگین مربعات خطا (RMSE)، شاخص تطابق((d و میانگین قدرمطلق خطا (MAE) استفاده گردید (kisi, .2006) روابط RMSE، d و MAE عبارتند از :
در این رابطهها = میانگین مقادیر مشاهده شده و N تعداد نمونهها میباشد.
حد پایین RMSE صفر بوده و مقدار RMSE بیانگر این است که مقادیر پیشبینی شده چقدر از مقادیر مشاهده شده انحراف دارد. d نیز بیانگر عملکرد مدل بوده و مقدار آن بین صفر و یک می باشد که هر چه به یک نزدیکتر باشد بهتر است. میانگین قدرمطلق خطا (MAE) بیانگر مقدار متوسط خطا بوده، و هرچه کمتر باشد، نشاندهنده دقت بیشتر است.
موقعیت منطقه :
منطقه بلوچستان از خشکترین مناطق ایران محسوب میشود. مقدار بارندگی در این ناحیه نه تنها بسیار کم، بلکه توزیع زمانی و مکانی آن نیز نامنظم است. تبخیر به علت خشکی هوا، گرمایش زیاد و جریان بادها شدید بوده، و میزان آن به 20 تا 90 برابر باران سالیانه میرسد. میزان رطوبت نسبی بویژه در فصل گرم بجز در سواحل جنوبی بسیار پایین است و درجه حرارت بسیار بالا میباشد(فتاحی و همکاران .(1381 اطلاعات و دادههاي مربوط به ایستگاه مورد نظر از سازمان هواشناسی استان سیستان و بلوچستان تهیه گردید. در این تحقیق برخی از خصوصیات جغرافیایی شهرستان تحت مطالعه چابهار در جدول شماره((1 آورده شده است(مرکز تحقیقات کاربردي سازمان هواشناسی سیستان و بلوچستان، .(1389 در جدول((2 براساس چند شاخص مختلف اقلیمی، اقلیم ایستگاه مورد مطالعه بررسی شده است.
