بخشی از مقاله
*** اين فايل شامل تعدادي فرمول مي باشد و در سايت قابل نمايش نيست ***
پیش پردازش داده هاي ورودي به شبکه عصبی مصنوعی براي برآورد تبخیر روزانه با تبدیل موجکی
چکیده
برآورد تبخیر با توجه به کاربرد گسترده آن در آبیاري و مدیریت آب در مزرعه، همواره مورد توجه محققان بوده است لذا ارائه روش هاي پیشرفته و بکارگیري تکنیک هاي جدید می تواند منجر به تخمین بهتر این پدیده دینامیک غیر خطی شود. در این تحقیق براي پیش بینی مقادیر تبخیر روزانه، از شبکه عصبی مصنوعی (ANN) استفاده شده است . بدین منظور، آمار ایستگاه هواشناسی کرمان براي مدت 15 سال بکار برده شد. مقادیر روزانه ي سرعت باد، رطوبت نسبی، دماي متوسط و تابش به عنوان پارامترهاي ورودي و مقادیر روزانه تبخیر از تشت تبخیر به عنوان پارامتر خروجی از مدل در نظر گرفته شدند. با استفاده از تبدیل موجک، پیش پردازش روي متغیرهاي اصلی صورت گرفت و مدل WNN براي پیش بینی تبخیر ارائه شد. نتایج حاکی از نقش مؤثر پیش پردازش توسط موجک بود.
واژههاي کلیدي: پیش پردازش، تبخیر، تبدیل موجک، شبکه عصبی مصنوعی
مقدمه
محاسبه و برآورد تبخیر یکی از مواردي است که می تواند بر مدیریت منابع آب به طور مستقیم تأثیر گذار باشد چراکه تبخیر بر میزان ذخیره آب در خاك مؤثر است. فرآیند تبخیر در دوشکل تبخیر از سطوح آزاد آب و تبخیر از سطح خاك اتفاق می افتد. تبخیر فرآیند فیزیکی بوده و رابطه مستقیمی با عوامل جوي دارد. ارتباط بین تبخیر و پارامترهاي هواشناسی توسط محققین زیادي مورد بررسی قرار گرفته است (کهن و همکاران((2002، برانسرت و پارلانژ ( 1998) و خلیلی(.((1372 نتایج محقیق بیانگر وجود ارتباط بین تبخیر و پارامترهاي هواشناسی در هر منطقه با اقلیمی خاص می باشد. روابط ارائه شده جهت تخمین تبخیر از سطح آزاد با در نظر گرفتن پارامترهاي هواشناسی به عنوان ورودي، داراي تنوع زیادي می باشد و دقت این روابط در مناطق مختلف متفاوت بوده و نیاز است تا در هر منطقه واسنجی شوند(وان زیل و همکاران،.(1989 امروزه به کار گیري روابط ریاضی و تجربی در علوم مهندسی رواج گسترده اي یافته لذا محقیق با اصلاح روابط تجربی موجود و نیز کشف روابط جدید سعی در یافتن رابطه اي ساده و البته دقیق دارند تا بتوان از میزان وقت گیر بودن محاسبات کاست و به دقت نتایج افزود. روابط موجود جهت محاسبه و برآورد تبخیر پیچیده بوده لذا تحقیق در این زمینه ضروري می باشد. پارامترهاي زیادي بر پدیده تبخیر اثر گذار می باشد که از جمله موثرترین این پارامترها را می توان سرعت باد، درجه حرارت، رطوبت نسبی و تابش نام برد. جهانبخش اصل و همکاران((1380 روش هاي ترکیبی، دمایی، تابشی و همبستگی چندگانه و رطوبتی براي ایستگاه تبریز را محاسبه کردند و در مقایسه با سایر روش ها نتایج حاکی از تطابق بالاي روش کریستینسن- هارگریوز نسبت به سایر روش ها با روش تشت تبخیر بود . روش هاي آماري رایج همچون رگرسیون ساده و چند متغیره براي پیش بینی سري هاي زمانی هستند که جز مدل هاي خطی بوده و در آنها فرض بر بی تغییر بودن داده هاست لذا اگر داده ها متغیر باشند این مدل ها توانایی کمی از خود نشان می دهند. از اینرو ضرورت دارد که مدل هایی با کارایی بیشتر براي پیش بینی پدیده هاي غیر خطی و پیچیده اي چون تبخیر ارائه گردند. شبکه هاي عصبی مصنوعی طی دهه اخیر کاربرد گسترده اي در علوم مختلف از جمله کشاورزي داشته است(لک و همکاران، (1999 که به عنوان ابزاري کارآمد براي پیش بینی و برآورد محسوب می شود. در طراحی شبکه هاي عصبی همواره مشکل مواجه شدن با ساختارهاي پیچیده وجود دارد که سبب پدید آمدن شبکه اي با معماري سنگین می شود. در این ارتباط کولیبالی و همکاران (2000) روش الگوریتم توقف آموزش را ارائه دادند. در این روش داده ها بایستی به سه دسته آموزش، صحت یابی و تست تقسیم می شوند که داده هاي بخش صحت یابی براي جلوگیري از مشکل فوق برازشی شبکه کاربرد دارند.
از جمله پیش پردازش هایی که در سري هاي زمانی مورد استفاده قرار می گیرد می توان به تبدیل موجک1 اشاره کرد. تبدیل موجک به طور گسترده اي براي تحلیل و پیش بینی سري هاي زمانی با استفاده از شبکه هاي عصبی مصنوعی مورد استفاده قرار می گیرند. لذا در این مقاله سعی بر این بود که نقش پیش پردازش داده هاي ورودي مدل شبکه عصبی با تبدیل موجک براي مدلسازي تبخیر مورد بررسی قرار گیرد.
مواد و روش ها
-1 منطقه مطالعاتی
این تحقیق با بهره گیري ازآمار مربوط به ایستگاه هواشناسی شهر کرمان با طول و عرض جغرافیایی به ترتیب 30.29 درجه شمالی و 57.06 درجه شرقی و ارتفاع از سطح دریا 1755 متر انجام شده است. طبق آمار هواشناسی موجود این منطقه داراي میانگین دماي سالانه 15.8 درجه سانتیگراد و میانگین بارش سالانه 155 میلیمتر می باشد. آمار هواشناسی روزانه مربوط به 15 سال شامل سالهاي 1992 تا 2007 میلادي مورد استفاده قرار گرفت. از آمار هواشناسی ایستگاه مذکور آمار مربوط به پارامترهاي باد، درجه حرارت، رطوبت نسبی و تابش مورد استفاده قرار گرفتند و آمار مربوط به تبخیر از تشتک تبخیر به طور روزانه قرائت شده و در مدل استفاده شدند.
-2 شبکه هاي عصبی مصنوعی
در سالیان اخیر شاهد حرکتی مستمر، از تحقیقات صرفا تئوري به تحقیقات کاربردي بخصوص در زمینه پردازش اطلاعات براي مسائلی که براي آنها راه حلی موجود نیست و یا به راحتی قابل حل نیستند، بوده ایم. با عنایت به این امر، علاقه فزاینده اي در توسعه تئوریک سیستم هاي دینامیکی هوشمند که مبنی بر داده هاي تجربی هستند ایجاد شده است.
2ANNs از انواع مدل هاي محاسباتی هستند که قادرند رابطه میان ورودي ها و خروجی هاي یک سیستم فیزیکی ( هرچند پیچیده و غیر خطی) را توسط شبکه اي از گره ها که همگی به هم متصل هستند، تعیین نمایند. از مهمترین عوامل تعریف ANNs به نحوه معماري آن می توان اشاره کرد. ساختار شبکه که به آن، معماري اطلاق می شود، به شکلی است که نرون ها در دسته هایی که لایه نام دارند مرتب می شوند. معماري معمول براي ANNs متشکل از سه لایه می باشد که به ترتیب، لایه ورودي، لایه پنهان و لایه خروجی می باشند که لایه ورودي داده ها را در شبکه توزیع می کند، لایه پنهان داده ها را پردازش می کند و لایه خروجی نتایج را به ازاي ورودي هاي مشخص، استخراج می کند. یک شبکه می تواند چندین لایه پنهان داشته باشد که تحقیقات بیانگر این است که یک لایه پنهان می تواند هر تابع پیچیده و غیر خطی را تقریب بزند لذا در این تحقیق از شبکه عصبی پرسپترون چند لایه با یک لایه پنهان براي برآورد تبخیر روزانه استفاده شده است و توابع انتقال در لایه پنهان و خروجی به ترتیب تابع سیگموئیدي و خطی انتخاب شدند.
-3 تبدیل موجک
تئوري موجکی یکی از روش هاي علم ریاضی است که ایده اصلی آن برگرفته از تبدیل فوریه است که در قرن نوزدهم مطرح شده است ولی استفاده از آن قدمتی 10 ساله دارد. فوریه اساس کار را با آنالیز فرکانس ادامه داد، ولی به مرور زمان توجه محققان از آنالیز براساس فرکانس به آنالیز براساس مقیاس جلب شده است. اخیرا آنالیز موجک توجه زیادي را در پردازش سیگنال ها به خود جلب کرده است. این تئوري در زمینه هاي بسیاري از جمله آنالیز سیگنال گذرا، آنالیز تصویر، سیستمهاي ارتباطی و دیگر موارد پردازش سیگنال با موفقیت به کار برده شده است.
یک موج به صورت یک تابع نوسان کننده تعریف می شود، یک تابع سینوسی مثالی از یک موج می باشد. براي تحلیل آن گونه توابع، آنالیز فوریه1 به کار گرفته می شود که می توان گفت آنالیز فوریه یک آنالیز موجی است که در آن توابع یا سیگنال ها بر حسب توابع سینوسی یا کسینوسی بسط داده می شوند. به همین ترتیب یک موجک یک موج کوچک است که انرژي آن در ناحیه کوچکی متمرکز شده و ابزاري مناسب براي بررسی پدیده هاي ایستا وگذرا می باشد.
موجک نوسان حداقلی دارد که به سمت صفر نزول می کند و این نزول باید در جهات مثبت و منفی واقع در دامنه اش محدود شود که این خصوصیت موجب می شود که موجک انعطاف پذیر بوده و مانند یک تابع رفتار کند. تبدیل موجک به دو صورت گسسته و پیوسته کاربرد دارد که در اینجا از تبدیل گسسته استفاده شد. از جمله مزایاي تبدیل گسسته موجکی می توان به سرعت و دقت آن اشاره کرد در حالیکه تیدیل پیوسته موجکی، زمانبر بوده و چون در این نوع تبدیل ضرایب موجکی در هر مقیاس ممکن محاسبه می گردند،
مقادیر زیاد اطلاعات را تولید می کند. لذا براي رفع این مشکل تبدیل موجک فقط براي زیر مجموعه اي از مقیاس ها و موقعیت ها انجام می شود. با اعمال تبدیل مذکور داده هاي اولیه موجکی شده و به دو دسته تقریب و جزئیات تقسیم می شوند. تقریب داراي فرکانس و نشان دهنده روند کلی داده هاي موجود می باشد که در محاسبات هم نقش مهمی دارند . جزئیات داراي فرکانس بالا و پریود کم بوده و نشان دهنده تغییرات محدود در داده ها هستند. در شکل (2) تجزیه داده ها به دسته هاي مذکور نشان داده شده است.
متغیر هاي ورودي براي لایه ورودي شامل باد، درجه حرارت، رطوبت نسبی، تابش و متغیرهاي خروجی لایه خروجی تبخیر می باشد. که در مورد مدل تلفیقی عصبی- موجکی هم این روند یکسان است. داده ها قبل از ورود به شبکه با استفاده از فرمول زیر استاندارد می شوند:
که در آن:
Xiمتغیر یا مؤلفه iام، Minxi حداقل مقدار متغیر یا مؤلفه، Maxxi حداکثر مقدار متغیر یا مؤلفه مورد نظر و N نیز مقادیر استاندار شده است. با استفاده از این رابطه محدوده هر متغیر بین 0.1 تا 0.9 قرار می گیرد.
