بخشی از مقاله
*** اين فايل شامل تعدادي فرمول مي باشد و در سايت قابل نمايش نيست ***
پيش بيني تبخيرماهانه با استفاده از شبکه عصبي مصنوعي و سيستم استنتاج عصبي – فازي
(مطالعه موردي :ايستگاه تمر گرگان )
چکيده
امروزه در دنيا، آب و منابع آب ، يکي از پايه هاي اصلي توسعة پايدار به شمار مي رود. تغيير و تحول کمي و کيفي منابع آب تحت تأثير فعاليت هاي مختلف در هر حوزه هيدرولوژيکي رخ مي دهد که با توجه به محدوديت منابع آب ، جلوگيري از آن بسيار مهم و حياتي مي باشد. در زمينه تبخير مدل هاي زيادي ارائه شده است که بيشتر اين مدل ها نيازمند پارامترهاي ورودي هستند که يا دسترسي به آنها مشکل است و يا اندازه گيري آنها محتاج صرف هزينه و زمان زيادي مي باشد. در بحث شناسائي سيستم ، مدل هاي آماري قوي براي مدلسازي فرآيندهاي اتفاقي و سري هاي زماني وجود دارد.در اين تحقيق P باران ماهانه ، T دماي متوسط ماهانه ، T٢ حداکثر مطلق دما و T٣ حداقل مطلق دما، متوسط حداقل دماT٤ و متوسط حداکثر دما T٥ به عنوان ورودي و تبخير ماهانه ، خروجي مدل با استفاده از شبکه عصبي مصنوعي و همچنين سيستم استنتاج عصبي - فازي با توابع مختلف آموزش شبيه سازي شده است . نتايج نشان دادکه شبکه عصبي مصنوعي با تابع آموزش trainlm با ضريب تبيين ٠.٦٩ وميانگين مربع خطاي ٠.٩٩ از دقت بالاتري نسبت به مدل هاي ديگر در ايستگاه تمربرخوردار است .
کلمات کليدي :تبخير، تمر، شبکه عصبي ، پيش بيني ، سيستم استنتاج عصبي - فازي
مقدمه :
تبخير از سطوح آب ، زمين ، خاک ، درياچه ها و مخازن آبي ، يکي از فرايندهاي بسيار مهم در هواشناسي و هيدرولوژي ميباشد(اجلالي ،۲۰۰۴). هر ساله ميليون ها متر مکعب آب شيرين از مخازن سدها که با هزينه زيادي جمع آوري گرديده ، تبخير شده و از دست مي رود و املاح و نمک بر جاي مانده از حجم آب تبخير شده کيفيت آب را کاهش مي دهد(کارآموز و عراقي نژاد،۲۰۰۶)
محاسبه آب هدر رفت بوسيله تبخير، در درجه اول براي بررسي و مديريت منابع آب ، در مقياس کشاورزي و منطقه اي ، يا حوضه هاي آبخيز، داراي اهميت مي باشد.
در بسياري از مناطق که منابع آبي محدودي دارند، اجراي محاسبه اتلاف آب توسط تبخير، براي طرح ريزي و مديريت شيوه هاي آبياري لازم و ضروري مي باشد(براتسائرت ،۱۹۸۲؛جکسون ،۱۹۸۵؛شريفان و همکاران ،۲۰۰۶).
سالهاي زيادي است که محققان و مهندسين ، براي محاسبه تبخير از سطح درياچه ها و مخازن آبي و همچنين اندازه گيري تبخير-تعرق گياهان ، از تشت هاي تبخير استفاده ميکنند. براي اين منظور ميزان تبخير از تشت ، اندازه گيري شده و آنگاه با استفاده از ضرايب مخصوصي ميزان تبخير از سطح آب و يا تبخير-تعرق پتانسيل به دست مي آيد (فروت و همکاران ،۱۹۸۳؛ايرماک و همکاران ،۲۰۰۲).
در ايران بيشتر از تشت هاي استاندارد آمريکايي کلاس A استفاده مي شود،که قطري در حدود ۴ فوت ، ارتفاع ۱۰ اينچ دارند و حدود ۶ اينچ بالاتر از سطح زمين قرار مي گيرند. تعدادي از محققان (استفان و استوارت ،۱۹۶۳؛ريس و دياس ،۱۹۹۸؛کلمب و همکاران ،۲۰۰۱). براي محاسبه تبخير روش هاي متعددي را پيشنهاد داده اند، اما بسياري از اين روش ها نياز به داده هايي دارند که به آساني در دسترس نيستند.
شبکه هاي عصبي مصنوعي ، کاربرد هاي موفقيت آميزي در زمينه هاي گوناگون از جمله مطالعات منابع آب داشته اند. در زمينه هاي هيدرولوژيکي نيز، پژوهش هاي اخير بيانگر آن است که شبکه هاي عصبي مصنوعي ، قادرند نتايج رضايت بخشي ارائه دهند (تي فوز،۲۰۰۲؛سيکيزوغلو و کيشيف ۲۰۰۶؛کيسي ،۲۰۰۴؛کيسي ،a؛کيسي ،b؛کيسي ،۲۰۰۶). جذابيت مدل هاي شبکه عصبي مصنوعي بخاطر توانايي آنها در حل مسائل غيرخطي ، حجيم و داراي خطا مي باشد. همچنين اين مدل ها توانايي يادگيري حل مسائل فازي و تشخيص الگوها را نيز دارا مي باشند (کلمب و همکاران ،۲۰۰۱)
کيسي (۲۰۰۶)، نيز با استفاده از شبکه هاي عصبي و منطق فازي تبخير روزانه از تشتک را محاسبه کرد. درجه حرارت ، رطوبت نسبي ، تشعشعات خورشيدي ، سرعت باد و فشار هوا به عنوان ورودي هاي شبکه و ميزان تبخير از تشتک به عنوان خروجي شبکه مورد استفاده قرار گرفتند. نتايج نشان داد که روش منطق فازي نتايج بهتري را نسبت به شبکه عصبي مصنوعي ارائه مي کند. البته نتايج بدست آمده از شبکه هاي عصبي نيز در اين پژوهش رضايت بخش بوده و خطايي برابر ۱۷.. ميلي متر در روز داشته است .
شايان نژاد و همکاران (۲۰۰۷)تبخير بالقوه را از روش هاي رگرسيون فازي ،شبکه عصبي مصنوعي و روش پنمن مانتيث تعيين نمودند. نتايج نشان داد که بهترين ترکيب ورودي براي شبيه سازي تبخير، دما، ميانگين رطوبت نسبي ، ساعات آفتابي و سرعت باد مي باشند.
هدف از اين پژوهش مدل سازي ماهانه تبخير از تشت با استفاده از شبکه هاي عصبي مصنوعي و مدل استنتاج عصبي –فازي مي باشد. در اين پژوهش با استفاده از آمار ايستگاه هواشناسي تمر در رودخانه گرگانرود و به کارگيري شبکه عصبي مصنوعي و نروفازي ، ميزان تبخير از تشتک شبيه سازي شده است .
مواد و روش ها
مشخصات حوزه مورد مطالعه
استان گلستان به علت شرايط خاص اقليمي از نظر منابع آب ضعيف بوده ولي نيازهاي منطقه از نظر شرب ، صنعت وکشاورزي بسيار قابل توجه ميباشد. اين استان با مساحتي در حدود ٢٠٣٨٠ کيلومترمربع در شمال کشور واقع شده که حدود ١.٣ درصد از مساحت کل کشور را شامل مي شود. وجود چهار حوزه آبريز اصلي اترک ، گرگانرود، قره سو، خليج گرگان و حدود ٦٥٠ هزار هکتار اراضي قابل آبياري موجب شده يکي از قطب هاي کشاورزي کشور محسوب شده و جهت آبياري آن علاوه بر آبهاي سطحي از ذخاير آبهاي زير سطحي و زيرزميني نيز استفاده بعمل مي آيد. رودخانه گرگانرود از ارتفاعات شرقي کوه هاي البرز، کوه حور، کليداغ و آلاداغ سرچشمه مي گيرد و پس از طي مسيري کوهستاني وارد دشت گنبد و گرگان مي شود. پس از ورود به دشت و عبور ازشهرهاي گنبد کاووس و آق قلا در شمال بندر ترکمن وارد درياي خزر مي گردد. جلگه گرگان در شمال شرق ايران بين طول جغرافيايي (٣٠- ٥٥ و٣٠-٤٥) و عرض شمالي (٣٠-٣٧ و ٤٦-٣٦) واقع گرديده است . رودخانه گرگانرود در قسمت مرکزي دشت جريان داشته و يکي از منابع مهم آب هاي سطحي منطقه مي باشد که پس از آبياري اراضي اطراف رودخانه در نهايت به درياي خزر مي ريزد. شکل ٢ موقعيت ايستگاه تمر را که بر روي يکي از سرشاخه هاي رودخانه گرگانرود قرار دارد و همچنين سدهاي گلستان و وشمگير را در محدوده مورد مطالعه نشان مي دهد.
از آنجا که اين استان داراي دو اقليم کاملا متفاوت است به نحوي که جنوب استان منطقه اي کوهستاني و مرتفع با سطحي پوشيده از جنگل هاي متراکم و شمال استان منطقه اي بياباني و پست با دماي کاملا متفاوت با جنوب مي باشد. لذا در ميزان بارندگي ، تبخير ، نفوذ ، رواناب و ساير فاکتورهاي هيدرولوژي تفاوت عمده و اساسي مشاهده مي شود.
شبکه عصبي مصنوعي
شبکه هاي عصبي مصنوعي به طور کلي نوعي شبيه سازي از سيستم اعصاب طبيعي است و شامل مجموعه اي از واحدهاي عصبي بنام نرون مي باشد که توسط ارتباطاتي موسوم به آکسون به هم متصل هستند در شبکه هاي عصبي مصنوعي سعي بر اين است که ساختاري مشابه ساختار بيولوژيکي مغز انسان و شبکه عصبي بدن طراحي شود تا همانند آن ، قدرت يادگيري ، تعميم دهي و تصميم گيري داشته باشد. يکي از ويژگي هاي بخصوص شبکه هاي عصبي ، حساسيت کم در برابر وجود خطا در نرون هاي ورودي است . اين مسأله با پردازش اطلاعات به صورت موازي تحقق مي يابد. اين تقسيم ِ کار، و پردازش موازي اطلاعات پيامد مثبتي را در پي دارد و آن اين است که ، چون تعداد زيادي نرون درگير فعاليت هستند، سهم هر يک از نرون ها چندان حائز اهميت نيست . بنابراين وجود خطا در يکي از نرون ها و نتيجه آن ، تأثير چنداني بر روي واحدهاي محاسباتي نمي گذارد (تمدن ،۱۳۸۱). يک شبکه عصبي مصنوعي معمولاً از سه لايه شامل لايه ورودي ، لايه مياني و لايه خروجي تشکيل مي شوند. شبکه عصبي استفاده شده در اين مقاله از نوع MLP (Multilayer Perceptron) است ( امين و سلطاني ،۲۰۰۳؛ فوست ،۱۹۹۴). تعداد لايه مياني MLP دراين مطالعه ، يک لايه درنظرگرفته شده است . ساختار کلي چنين شبکه اي در شکل (۱) نمايش داده شده است .
شکل (۲): ساختار شبکه MLP
اين شبکه قادر است با استفاده از توابع غير خطي در لايه مياني و تابع خطي در نرون خروجي و استفاده از تعداد کافي نرون در لايه مياني ، هر تابع پيوسته اي را با هر دقت دلخواه تقريب بزند. در شکل (١) ورودي و خروجي مي باشد. p تعداد نرون در لايه مياني است . در فاز يادگيري از الگوريتم يادگيري شبکه به روش Basic Levenbeng Marquardt Method( marq) استفاده شده است در اين روش از معيار Mean Square Error) MSE ) استفاده مي شود که داراي خواص همگرايي سريع و مقاومي بهتري نسبت به الگوريتم BP استاندارد (Back propagation) است . وزنهاي اوليه شبکه به صورت تصادفي انتخاب مي شوند(هاگان و منهاج ،۱۹۹۴).
سيستم استنتاج فازي - عصبي
شبکه هاي عصبي مصنوعي در مقايسه با مدل هاي مرسوم به ورودي هاي کمتر و تلاش محاسباتي اندکي نياز دارند. ترکيب سيستم هاي فازي که مبتني بر قواعد منطقي بوده ، و روش شبکه هاي عصبي مصنوعي که توان استخراج دانش از اطلاعات عددي را دارند، منجر به ارائه سيستم استنتاج تطبيقي فازي – عصبي شده است . اگر خروجي هرلايه بصورت باشد (i امين گره از l)، ساختار مدل ANFIS از پنج لايه بشرح زيرتشکيل مي شود (سجنو و ياسوگاوا):
٤-١. لايه اول : پس از اينکه داده هاي ورودي بصورت ماتريسي (y,x) وارد سيستم شدند در اين لايه با استفاده از توابع عضويت عمل فازي سازي انجام ميشود. تابع عضويت مجموعه هاي فازي معمولاً توسط توابع زنگول هاي شکل به صورت زير بيان مي شود:
x: مقدار ورودي به گره i و مجموعه پارامترهاي تطبيقي ناميده مي شوند.
٤-٢. لايه دوم ، گره هاي قاعده : هر گره در اين لايه درجه فعاليت يک قانون را محاسبه مي کند.
٤-٣. لايه سوم ،گره هاي متوسط : در اين لايه i امين گره ، نسبت درجه فعاليت قانون i ام را به مجموع درجه فعاليت کليه قوانين به صورت زير نرمال سازي مي کند.
: درجه فعاليت نرمال شده قانون i ام
٤-٤. لايه چهارم ، گره هاي نتيجه : در اين لايه خارجي هر گره برابر است با:
مجموع پارامترهاي متعاقب ناميده مي شوند.
٤-٥. لايه پنجم ، گره هاي خروجي : در اين لايه هر گره مقدار خروجي نهايي را به صورت زير محاسبه مي نمايد (تعداد گره ها برابر تعداد خروجي هاست ):
داده ها و روش هاي مورد آزمون
در اين پژوهش از آمار ايستگاه تمر در بازه زماني ۱۳۴۵-۱۳۸۸ استفاده شده است . پارامترهاي ماهانه هواشناسي عبارتند از: P باران ماهانه ، T دماي متوسط ماهانه ، T٢ حداکثر مطلق دما و T٣ حداقل مطلق دما، متوسط حداقل دماT٤ و متوسط حداکثر دما T٥. در اين پژوهش به منظور شبيه سازي ساختار شبکه عصبي مصنوعي و سيستم استنتاج عصبي - فازي ، از نرم افزار MATLAB نسخه ۱۰ استفاده شده است .
ابتدا ما حدود ٢.٣ داده ها (يعني ۱۵۳ داده )را براي آموزش شبکه و حدود ١.٣ داده ها(يعني ۷۴ داده )را براي صحت سنجي شبکه کنار گذاشتيم .
پس از انتخاب داده اي آموزش و صحت سنجي ، اقدام به طراحي شبکه عصبي مصنوعي و سيستم استنتاج عصبي - فازي گرديد.
معيارهاي ارزيابي مدل :
براي سنجش کارايي مدل معيارهاي مختلفي وجود دارد. در اين تحقيق از معيارهاي ضريب تبيين و جذر ميانگين مربعات خطا مطابق روابط (۵) و (۶) استفاده شده است .
n تعداد داده هاي تحليلي ، Ei و به ترتيب داده هاي مشاهداتي و محاسباتي ، ميانگين مشاهداتي داده ها مي باشند. در تحليل مدل هاي مختلف براي مقايسه نتايج از اين سه معيار استفاده شده است .
پس از آموزش شبکه براي مدل هاي مختلف ، اقدام به مقايسه براي يافتن بهترين مدل شده است که در جدول (۱) به مطلوب بودن روش شبکه عصبي مصنوعي و براي تابع pimf پي برده مي شود.
