بخشی از مقاله
*** اين فايل شامل تعدادي فرمول مي باشد و در سايت قابل نمايش نيست ***
پیشبینی رواناب ماهانه با استفاده از شبکه عصبی مصنوعی
چکیده:
تعیین رواناب حاصل از بارش یکی از موارد بسیار مهم در تحلیل مسائل هیدرولوژی و مدیریت منابع آب میباشد. پیشبینـی رواناب برای اهداف مختلفی نظیر برآورد سیلاب، خشکسالی، مدیریت حوضه آبریز، کشاورزی و.... دارای اهمیت بسیاری اسـت. در این تحقیق از آمار هواشناسی و رواناب طی دوره آماری 54 ساله (از سال آبی 1333-34تا (1387-88 و شبکه عصـبی مصـنوعی جهت پیش بینی رواناب ماهانه استفاده شده است. نتایج این تحقیق نشان داد که بهترین مـدل شـبکه عصـبی مصـنوعی در ایـن بررسی یک مدل پرسپترون 3 لایه با 4 نرون در لایه ورودی، 5 نرون در لایه پنهان، یک نرون در لایه خروجی و الگوریتم آموزشی مارکوارت-لونبرگ است. داده های ورودی در این مدل شامل بارش در ماه جاری، بارش در ماه قبل، رواناب در ماه قبل و دما است. بدست آوردن ضریب همبستگی.0/91 نشان دهنده کارای خوب شبکه عصبی در پیش بینی رواناب ماهانه است.
واژههای کلیدی: رواناب، رودخانه قرهسو، شبکه عصبی مصنوعی
.1 مقدمه
ارتباط بارش- رواناب یک ارتباط کاملا پیچیده غیرخطی است که به عوامل متعددی وابسته میباشـد. تعیـین ایـن ارتباط از دیرباز مورد توجه مهندسان آب بوده است. شبکه های عصبی مصنوعی یکی از موفقترین ماشـینهـای یـادگیر می باشند که با ساختار ریاضی انعطافپذیر توانائی تشخیص روابط غیر خطی پیچیده بـین ورودی هـای و خروجـیهـا را، بدون تلاش برای فهم طبیعت پدیده، دارند.
نصیری و همکاران اقدام به برآورد رواناب از طریق تجزیه و تحلیل روابط بارش- روانـاب براسـاس داده هـای کمـی ژئومورفولوژی و با استفاده از تکنیک شبکه های عصبی مصنوعی ژئومورفولوژیکی (GANN) در حوضـه امامـه (از زیـر حوضه جاجرود) پرداختند. ایشان در مطالعاتشان بر مبنای ساختمان ژئومورفولوژی شبکه هیدرولوژی حوضه مورد نظر، یک سامانه شبکه عصبی ژئومورفولوژیکی سـه لایـه بـا تعـداد نرونهـای میـانی برابـر تعـداد مسـیرها یـا وضـعیت هـای ژئومورفولوژیکی شبکه هیدرولوژی حوضه به منظور برآورد رواناب مستیقم ایجاد گردید. وزنهـای مربـوط بـه اتصـالات درون شبکه ای مذکور با اطلاعات حاصل از مشاهدات مستقیم به منظور نشان دادن کـارایی آن مقایسـه کردنـد نتـایج حاکی از عملکرد بسیار خوب (ضریب همبستگی(0.97 = مدل شبکه ژئومورفولوژیکی است.[ 7 ]
پرویز و همکاران به تفکیک سری سالانه به سری های شش ماهه و ماهانه از روش تفکیک کننـده و شـبکه عصـبی مصنوعی استفاده کردند. مدل های روش تفکیک کننده مدل های پایه، مبسوط و شبکه عصبی از نـوع شـبکه عصـبی از نوع شبکه پیشخور با الگوریتم پس انتشار خطا بودند. نتایج حاکی از افزایش اختلاف بین جریان مشـاهداتی و تفکیکـی در صورت وجود روند در مقادیر پیش بینی شده به علت تاثیر در مرحله تخمین پـارامتر مـیباشـد. خصوصـیات آمـاری مانند میانگین و انحراف معیار توسط سه مدل حفظ شدند.[1]
حلبیان اقدام به پیش بینـی مقـادیر بـارش ماهانـه بـا اسـتفاده از شـبکه عصـبی مصـنوعی طـی دوره آمـاری 53 ساله((2003-1950 نمود. و به این نتیجه رسیدند که بعداز آزمون شـبکه بـا لایـههـای پنهـان و بـا ضـرایب یـادگیری
مختلف نشان داد که با استفاده از شبکه عصبی مصنوعی با یک پرسـپترون 2 لایـه پنهـان بـا ضـریب یـادگیری 0.1 و مومنتم 0.7 مدل نسبتا بهتری را ارائه می کند و همچنین بعداز آموزش مجدد شبکه و آزمون شبکه بالایه های پنهـان و ضرایب مختلف یادگیری در ترکیب با الگوریتم ژنتیک نشان داد که ترکیب شبکه بـا ویژگـیهـای مـذکور بـا الگـوریتم ژنتیک باعث کاهش خطا و افزایش سرعت محاسبات شده و مدل بهتـری را ارائـه مـیکنـد. همچنـین تصـادفی کـردن دادهها برای آموزش شبکه باعث افزایش دقت و بهتر بودن مدل میشود.[ 2 ]
قلی زاده و همکاران به پیشبینی بارش ماهانه با استفاده از شبکههای عصبی مصنوعی پرداختند نتایج این تحقیـق بعد از آزمون شبکه با لایه های پنهان و با ضرایب یادگیری 0.1 و مومنتم 0.7 مدل نسبتا بهتری را ارئه می کند. ضـریب همبستگی بین مقادیر واقعی ماهانه بارش و پیشبینی شده توسط شبکه بدون ترکیب با الگوریتم ژنتیک برابـر بـا 0.88 و ضریب تعیین برابر با 0.77 می باشد. همچنین بعداز آموزش مجدد شبکه و آزمـون شـبکه بـا ویژگـیهـای مـذکور بـا الگوریتم ژنتیک باعث کاهش خطا و افزایش سرعت محاسبات شده و مدل بهتری را ارئه میکند. ضریب همبستگی بین مقادیر واقعی ماهانه بارش و پیشبینی شده توسط شبکه برابر با 0.91 و ضریب تبیین برابر با 0.83 میباشد.[6 ]
دستورانی و همکاران کارایی شبکه عصبی مصنوعی و سیستم استنتاج عصبی- فازی تطبیقـی بـه منظـور بـرآورد بارش- رواناب در حوضه سد زاینده رود، مورد ارزیابی قرار دادند. نتایج حاصل از مطالعات ایشـان نشـان داد کـه شـبکه عصبی مصنوعی و سیستم فازی- عصبی در شرایط مختلف و با ترکیبهای مختلف پارامترهای ورودی، نتایج متفـاوتی از خود نشان می دهند ولی در کل این دو روش به میزان قابل قبولی قادر به تخمین رواناب حاصل از بارش با به کـارگیری پارمترهای ورودی مناسب و استفاده از ساختارهای مناسب شبکه عصبی مصنوعی و شبکه عصبی-فازی هستند.[3 ]
.2 مواد و روش
.1-2 محدوده مورد مطالعه
حوزه آبریز قره سو در محدوده طـول هـای جغرافیـایی 46 دقیقـه و 22 درجـه تـا 47 دقیقـه .و بـین عـرضهـای جغرافیایی 34 دقیقه و 34 دقیقه و 55 ثانیه قرار گرفته است. در این تحقیق از اطلاعات ایستگاه آب سنجی دوآبمرگ و اطلاعات هواشناسی ایستگاه سینوپتیک روانسر طی 54 سال آبی (از سال آبی 1333-34 تا (1387-88 استفاده شده است. نقشه محدوده مورد مطالعه در شکل (1)آورده شده است.
- 2-2 شبکه های عصبی مصنوعی
شبکه های عصبی مصنوعی، مجموعه ای بسیار عظیم از پردازشـگرهایی مـوازی بـه نـام نـورونانـد کـه بـه صـورت هماهنگ برای حل مسئله عمل می کنند و از طریق سیناپس ها اطلاعات را منتقـل مـی کننـد. نـرون کـوچکترین جـزء ساختار شبکه های عصبی بیولوژیک است. هر نرون یا گره مانند پردازشگر عمل می کند یعنی از راه اتصلات اطلاعـات را از لایه قبل از خود دریافت می دارد و بر روی آن پردازش انجام میدهد و نتیجه را از راه اتصلات خروجی به لایـه بعـداز خود میفرستد.
در شکل (2) یک نرون ساده با R ورودیهای وزندار با بایاس، ورودی تابع محرک F را تشکیل میدهند. نـرونهـا قادرند از توابع محرک مختلفی برای تولید خروجی بهره ببرند. توابع لگاریتم سیگموئیدی، تانژانت سـیگموئیدی و تـابع محرک خطی متدوالترین آنها محسوب میشوند.
ساختار عادی یک شبکه عصبی مصنوعی، معمولا از لایه ورودی، لایههای میانی یا پنهان و لایه خروجی تشکیل شده است. لایه ورودی یک لایه انتقال دهنده و وسیلهای برای تهیه کردن دادههاست. لایه خروجی شامل مقادیر پیش بینی شده به وسیله شبکه است و لایه پنهان محل پردازش دادههاست. شمار لایهها و شمار نرونها در هر لایه پنهان، به طور معمول به وسیله روش آزمون و خطا مشخص میشود.
-3-2 شبکههای پرسپترون چندلایه (MLP)
در سالهای اخیر، انواع زیادی از شبکههای عصبی مصنوعی در زمینهها و اهداف گوناگون علوم به ویژه برای تخمین و پیشبینی پدیده ها طراحی و به کار گرفته شدهاند. برای استفاده از شبکههای عصبی جهت حل مسائل، نیاز به انتخاب شبکه عصبی مناسب نیاز است. نوع یک شبکه عصبی توسط ساختار و آموزش مشخص میشود. انتخاب این شبکه به ماهیت مساله مورد بررسی و نوع دادههای آن وابسته است. در برآورد عناصر جوی، شبکه عصبی باید قادربه نگهداری اطلاعات و دیده بانیهای گذشته باشد. به همین دلیل و با توجه به تواناییهای شبکه پرسپترون و قابلیت آموزش و یادگیری زیاد این نوع شبکه عصبی، استفاده از آن به منظور برآورد عناصر جوی در تحقیقات گذشته توصیه شده است.
به دلیل آن که الگوریتم آموزش در شبکههای MLP معمولا پس انتشارBP است محاسبات شبکههای عصبی
در حالت پیشرو به صورت زیر است:
در این رابطه، a pi مقدار خروجی لایه قبلی و wij وزنهای لایه مربوطه و bi میزان بایاس است. در واقع، این رابطه رابطهای خطی است. سپس مقدار( F(Netpi محاسبه میشود که F، یک تابع محرک است که در این مقاله، تابع فعالساز لایه پنهان، از نوع تانژانت سیگمویید و تابع فعال ساز لایه خروجی، از نوع خطی یا همانی است.
برای پیش بینی، بایستی مقادیر bi و Wij آموزش ببینند، یعنی مقادیر آنها طوری طراحی شود که سیستم بتواند پیش بینی را صورت دهد. در چنین حالتی، بایستی ما یک الگوریتم برگشتی(محاسبات پیشرو) برای آموزش وزنها و بایاسها داشته باشیم. فرض کنید، :obcمقادیر مشاهده شده(واقعی) و :per مقادیر پیش بینی شده (محاسبه شده) باشند، الگوریتم آموزش در اینجا BP است، که محاسبات آن به صورت پس انتشار خطا بوده و به شکل زیر است:
در این رابطه، به مقدار برای آموزش اضافه میشود که در آن، نرخ آموزش و یک عدد ثابت مثبت است.
-4-2 مراحل طراحی و پیاده سازی شبکه عصبی:
-1 جمع آوری و پیشپردازش دادههای مورد نیاز برای شبکه عصبی مورد نظر -2 تعیین نوع ساختار مناسب برای شبکه عصبی و ایجاد شبکه کارآمد -3 آموزش دادن شبکه با قسمتی از دادههای جمعآوری شده(مرحله آموزش) -4 آزمایش شبکه آموزش داده شده با باقیمانده دادهها (مرحله آزمون)
-5درصورت قابل قبول بودن نتیجه آزمون، ذخیره شبکه و در غیر اینصورت، تکرار مرحله 2 تا .4
برای آموزش و طراحی شبکه عصبی قوانین خاصی وجود ندارد بنابراین بایستی چنـدین سـاختار را آزمـایش کنـیم تـا بهترین ساختار شناسایی شود. متغیرهای میانگین دما، میانگین بارندگی دما ماه جاری و ماه قبل، رطوبت نسبی در مـاه جاری و رواناب در ماه قبل به عنوان ورودیهای شبکه و میانگین رواناب در ماه جاری به عنوان خروجی شـبکه در نظـر گرفته شده است. پارامتر های مذکور سال های آماری 1333 تا 1388 را در برمی گیرد. از 54 سال دوره آمـاری موجـود، حدود 75 درصد آن یعنی 41 سال(506 داده) برای آموزش شبکه و 13 سال 156)داده) باقیمانـده در مرحلـه آمـوزش شبکه به کار گرفته میشود.
ساختار های مختلف شبکه پرسپترون از نظر پارامترهای آموزشی در محیط برنامـه نویسـی نـرم افـزار MATLAB بـا استفاده از 12 الگوریتم طراحی شدند و شبکه بهینه انتخاب و بارگذاری گردید. ورود داده ها به صـورت خـام، سـرعت و دقت شبکه را کاهش می دهد، لذا لازم است داده های ورودی به شبکه استاندارد گردند. در پژوهش حاضر، بـرای نرمـال کردند دادهها در بازه[0,1] از رابطه (4) استفاده شده است.
در معادله فوق : X i' مقدار نرمال شده، :xi مقادیر واقعی، xmin و xmax حداقل و حداکثر مقادیر واقعی هستند.
به علت ورود پارامترهای مورد نظر به مدل، لازم است چندین مدل طراحی شود. در این پژوهش، از شش مـدل ورودی به شرح زیر استفاده شد:
: رواناب در ماه جاری، :Pi بارش در ماه جاری، :Pi-1 بارش در ماه قبل، :T دما در ماه جاری، :Qi-1 رواناب در ماه قبل، :H رطوبت نسبی است.
