مقاله کاربرد سیستمهای استنتاج عصبی – فازی تطبیقی و برنامهریزی ژنتیک برای برآورد تبخیر تعرق ماهانه در شمالغرب ایران

word قابل ویرایش
19 صفحه
دسته : اطلاعیه ها
12700 تومان
127,000 ریال – خرید و دانلود

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

کاربرد سیستمهای استنتاج عصبی – فازی تطبیقی و برنامهریزی ژنتیک برای برآورد تبخیر تعرق ماهانه در شمالغرب ایران
چکیده
تبخیر و تعرق یکی از اجزای اصلی چرخه هیدرولوژی است که تخمین دقیق آن در طراحی و مدیریت سیستم-های آبیاری، شبیهسازی تولیدات گیاهی و مدیریت منابع آب ضروری است. در این مطالعه به منظور برآورد تبخیر و تعرق گیاه مرجع با استفاده از دو مدل برنامهریزی ژنتیک (GP) و سیستم استنتاج عصبی – فازی تطبیقی (ANFIS) در مقیاس زمانی ماهانه، شش ایستگاه سینوپتیک در منطقه شمالغرب کشور در دوره آماری ۳۸ ساله (۱۹۷۳- ۲۰۱۰) انتخاب شد. در ابتدا مقادیر تبخیر تعرق ماهانه گیاه مرجع برای ایستگاههای منتخب توسط روش فائو- پنمن- مونتیث محاسبه و به عنوان خروجی مدلها در نظر گرفته شد. سپس یک رابطه رگرسیونی بین متغیرهای اقلیمی مختلف موثر در پدیده تبخیر و تعرق به دست آمد و الگوهای مختلف ورودی برای مدلهای مورد استفاده مشخص گردید که بر این اساس رطوبت نسبی با داشتن کمترین تاثیر از ورودیها حذف شد. همچنین در مطالعه حاضر سعی گردید تا نقش حافظه در پیشبینی تبخیر تعرق ماهانه گیاه مرجع بررسی و از تاخیرهای یک، دو، سه و چهار ماهه نیز به عنوان ورودی برای مدلها استفاده شد. به طور کلی برای هر مدل نه الگوی ورودی ایجاد شد که نتایج حاصله نشان دهنده دقت بالا و خطای کم هر دو مدل در پیشبینی تبخیر تعرق ماهانه گیاه مرجع بوده و کارآیی مدلANFIS بهتر از روش GP بود.
واژههای کلیدی:برنامهریزی ژنتیک، تبخیر و تعرق مرجع، سیستم استنتاج عصبی- فازی تطبیقی.

مقدمه
انجام آبیاری برای تامین نیاز آبی گیاه در مناطق خشک و نیمهخشک ضروری میباشد. بنابراین محاسبه دقیق نیاز آبی گیاه (ETc) جهت بهینهسازی مصرف آب، برنامهریزی آبیاری و مصرف ضروری است. محاسبه ETc نیز در بسیاری از پروژههای منابع آب، آبیاری و زهکشی مورد نیاز بوده و اندازهگیری مستقیمآن تقریباً دشوار، زمانبر و پرهزینه است (سامر و جاکوبز .( ۲۰۰۵ تبخیر و تعرق گیاه مورد نظر (ETc) اغلب از طریق ضرب تبخیر و تعرق مرجع (ET0) در ضریب گیاهی به دست میآید.
ET0 را میتوان از روشهای تئوری و تجربی محاسبه کرد. از بین روشهای مختلف، معادله پنمن – مانتیث به طور گستردهای جهت محاسبه ET0 در دوره-های زمانی مختلف مورد استفاده قرار میگیرد (آلن و همکاران .(۱۹۹۸ نسخه اصلاح شده معادله فائو- پنمن-مونتیث۱ هم اینک مبنای نرمافزارهایی همچون CropWat بوده که در محاسبات تبخیر- تعرق کاربرد فراوانی دارد.
در سالهای اخیر روشهای جعبه سیاه۲ و مبتنی بر داده در حل مسائلی از مهندسی آب که اطلاعات کافی جهت برآورد مدل وجود داشته باشد به طور چشمگیری گسترش یافتهاند. روش سیستمهای فازی- عصبی تطبیقی۳ (ANFIS) به عنوان رهیافتی معتبر در مدلسازی فرآیندهایی نظیر تبخیر و تعرق که ماهیتی غیرخطی داشته و عوامل اقلیمی مختلفی همچون دما، بارش، تعداد ساعات آفتابی، رطوبت نسبی و سرعت باد در آن دخیل هستند، مطرح میشود.
سیستمهای فازی- عصبی تطبیقی جزء روش-های جعبه سیاه بوده و بدون در نظر گرفتن فرآیند فیزیکی حاکم بر سیستم و تنها با کمک دادههای ورودی و خروجی قادر به ایجاد رابطه بین آن دو میباشد. در سال-های گذشته مدل ANFIS در بخشهای مختلف مهندسی آب از جمله برآورد تبخیر و تعرق به کار گرفته شده است.
زارع ابیانه و همکاران (۱۳۸۸) از شبکه عصبی مصنوعی۴ و سیستم استنتاج عصبی- فازی تطبیقی برای برآورد تبخیر و تعرق گیاه مرجع در منطقه همدان استفاده کردند. نتایج حاصله نشاندهنده برتری مدل ANFIS با ورودیهای درجه حرارت بیشینه و کمینه و تعداد ساعات آفتابی بوده است. زارع ابیانه و همکاران (۱۳۹۰) تبخیر و تعرق واقعی گیاه سیر را با استفاده از روشهای شبکه عصبی مصنوعی، سیستم استنتاج عصبی- فازی تطبیقی و روش تلفیقی عصبی – ژنتیک۵ برآورد نمودند.

نتایج نشان داده که روش شبکه عصبی مصنوعی دقیقتر از منطق فازی بوده به طوریکه الگوریتم ژنتیک در ترکیب با شبکه عصبی توانسته خطای آزمون شبکه را نسبت به عصبی- فازی به میزان ۲۴ درصد کاهش دهد.اما ترکیب منطق فازی نه تنها سبب بهبود نتایج شبکه عصبی مصنوعی نشد، بلکه دقت پیشبینی را به میزان ۱۲ درصد کاهش داده است. جیابینگ (۲۰۰۴) مقدار تبخیر و تعرق گیاه مرجع را با استفاده از سه روش منطق فازی، شبکه عصبی مصنوعی و سیستم استنتاج عصبی- فازی تطبیقی (ANFIS) برآورد کردند.
نتایج به دست آمده نشان داد که مدل ANFIS با ورودیهای تعداد ساعات آفتابی و حداکثر دما میتواند با دقت زیاد و خطای کمتری تبخیر تعرق گیاه مرجع را پیشبینی کند. دوگان (۲۰۰۹) با استفاده از مدل ANFIS تبخیر و تعرق مرجع را در ایستگاه مورگان سانفرانسیسکو محاسبه کرده و دقت بالای این مدل را در برآورد تبخیر و تعرق مورد تایید قرار دادند. طبری و همکاران (۲۰۱۳) دقت مدلهای ANFIS و ماشین بردار پشتیبان۶ را در پیشبینی تبخیر تعرق گیاه سیب زمینی مورد ارزیابی قرار دادند. ورودیهای مختلفی برای هر دو مدل معرفی شده و در نهایت بر اساس شاخصهای ریشه میانگین مربعات خطا و خطای انحراف میانگین، مدل SVM با در نظر گرفتن ورودیهای درجه حرارت متوسط، رطوبت نسبی، تابش خورشیدی، تعداد ساعات آفتابی و سرعت باد عملکرد بهتری در مقایسه با سیستم استنتاج عصبی- فازی تطبیقی داشته ولی دقت هر دو مدل بسیار نزدیک به هم گزارش شده بود.
برنامهریزی ژنتیک۱ شاخهای از الگوریتمهای تکاملی است که توانایی مدلسازی فرآیندهایکاملاً غیرخطی و پویا را دارد. روش برنامهریزی ژنتیک اولین بار توسط کوزا (۱۹۹۲) بسط داده شد. این روش جزء روشهای الگوریتم تکاملی محسوب میشود که مبنای آنها بر اساس نظریه تکامل داروین استوار است. الگوریتم-های یاد شده اقدام به تعریف یک تابع هدف در قالب معیارهای کیفی نموده و سپس تابع یاد شده را برای مقایسه جوابهای مختلف حل مسئله در یک فرآیند گام به گام تصحیح ساختار دادهها به کار میگیرند و در نهایت، جواب مناسب را ارائه مینمایند. روش برنامهریزی ژنتیک جدیدترین شیوه از بین روشهای الگوریتم تکاملی میباشد که به دلیل دارا بودن دقت کافی، از کاربرد بیشتری برخوردار است (آلوییسی .(۲۰۰۵
تفاوت اساسی موجود بین الگوریتم ژنتیک و برنامهریزی ژنتیک به طبیعت هر یک از افراد بر میگردد، به نحوی که افراد در الگوریتم ژنتیک، ردیفهای خطی با طول ثابت میباشند (کروموزمها) ولی در برنامهریزی ژنتیک، همانند شاخههای مجزا هستند. همچنین در برنامه-ریزی ژنتیک بر ساختار درختی مجموعهها تاکید میشود ولی الگوریتم ژنتیک، بر اساس سیستم ارقام دودویی عمل مینماید. روش GP در زمینههای مختلف مهندسی آب مورد استفاده محققین قرار گرفته است، از جمله تحقیقات انجام یافته با GP میتوان به مطالعات فربودنام و همکاران (۱۳۸۸) و گوون (۲۰۰۹) برای پیشبینی جریان روزانه رودخانهها، خو و همکاران (۲۰۰۱) در پیشبینی رواناب ساعتی، آیتک و همکاران (۲۰۰۸) برای تعیین رابطه بارش- رواناب، قربانی و همکاران (۲۰۱۰) در روندیابی سیلاب و ظهیری و عظمت االله (۲۰۱۴) در پیشبینی دبی مقاطع مرکب رودخانهها اشاره کرد.
با عنایت به موارد فوق میتوان دریافت که تخمین پارامترهای هیدرولوژیکی همچون تبخیر و تعرق مرجع در تعیین نیاز آبی گیاهان و پروژههای آب و خاک بسیار مهم بوده و از دیرباز مورد توجه محققین امر قرار گرفته است. بدین منظور، روشهای متعددی از جمله مدلهای تجربی- نیمه تجربی، سریهای زمانی و مدل-های هوشمند توسعه یافتهاند که در این میان مدلهای هوشمند با الهام گرفتن از طبیعت قادر به تخمین پارامترهای مربوط به پدیدههای طبیعی با دقت قابل قبول میباشند و نیز دقت قابل توجهی نسبت به سایر روشها دارند. لذا در این تحقیق سعی گردیده است که عملکرد دو مدل هوشمند سیستم استنتاج عصبی- فازی تطبیقی (ANFIS) و برنامهریزی ژنتیک (GP) در پیشبینی تبخیر تعرق ماهانه گیاه مرجع شمالغرب کشور مورد بررسی قرار گیرد.

مواد و روشها
منطقه مورد مطالعه
برای محاسبه تبخیر تعرق ماهانه گیاه مرجع در منطقه شمال غرب کشور شامل استانهای آذربایجان غربی شرقی، زنجان و کردستان، ایستگاههای سینوپتیک موجود در این مناطق مورد بررسی قرار گرفته و در نهایت شش ایستگاه با دارا بودن اطلاعات کافی و طولانی مدت در دوره آماری ۳۸ ساله (۱۹۷۳-۲۰۱۰) انتخاب شدند. در جدول (۱) مشخصات ایستگاههای منتخب ارائه شده است شکل (۱) نیز موقعیت مکانی ایستگاهها را نشان میدهد.

سیستم استنتاج فازی عصبی- تطبیقی (ANFIS)
روش سامانه استنتاج تطبیقی عصبی-فازی، یک روش نوین در حل مسایل پیچیدهای است که یا الگوریتم مشخصی برای حل آنها وجود ندارد و یا استفاده از روشهای متعارف مستلزم به کارگیری راه حلهای بسیار طولانی و زمانبر میباشد. یکی از قابلیتهای مهم سامانه استنتاج تطبیقی عصبی-فازی درک رفتار غیرخطی یک سیستم میباشد. این روش در سالهای اخیر در مسایل مختلف مدیریت منابع آب و خاک مورد استفاده قرار گرفته است (نحوینیا و همکاران، .(۱۳۸۹ روند سیستم استنتاج عصبی- فازی تطبیقی در شکل (۲) نشان داده شده است که دارای مراحل زیر است:
فازی سازی: در این مرحله دادهها جهت ورود به مرحله بعد فازیسازی میشوند. استنتاج: تمام قوانین تصمیمگیری بر روی دادههای فازی شده اعمال گردیده و با قوانین “اگر و آنگاه” درستی آنها بررسی و تعیین می-شود. فازیزدایی: نتایج فازی به دست آمده از مرحله قبل را با استفاده از روشهای مختلف همچون مرکز جرم و غیره به مقدار اولیه بر میگرداند.

نخستین گام در پیریزی شبکه استنتاج تطبیقی عصبی-فازی برای پیشبینی تبخیر – تعرق مرجع ماهانه، انتخاب دادههای ورودی وابسته و نرمالسازی دادهها قبل از ورود به مدل ANFIS میباشد. نرمالسازی دادهها که به منظور افزایش دقت و سرعت شبکه در پاسخ به پیام-های ورودی میباشد، با استفاده از رابطه زیر انجام شد (سبزیپرور و همکاران، :(۱۳۸۹

که در ان
Xn :مقدار نرمال شده، :Xi مقدار واقعی متغیر، Xmin :کمینه مقدار واقعی متغیر و : Xmax بیشینه مقدار واقعی متغیر است.دادهها پس از استاندارد شدن و قرار گرفتن در محدوده صفر و یک، به دو دسته داده آموزش ۸۰) درصد) و داده آزمون ۲۰) درصد) تقسیم شدند. در این مطالعه به منظور توسعه مدل ANFIS از نرم افزار متلب استفاده شد.

برنامهریزی ژنتیک (GP)
در مطالعه حاضر از برنامه GeneXpro Tools (فریرا (۲۰۰۱ برای توسعه و اجرای مدلهای مبتنی بر برنامهریزی ژنتیک استفاده شد. برنامهریزی ژنتیک به استنتاج برنامههای رایانهای با اندازهها و شکلهای مختلف میپردازد. یکی از نقاط قوت GP آن است که معیار تنوع ژنتیکی بسیار ساده بوده و لذا عملگرهای ژنتیک در سطح کروموزوم عمل مینمایند. همچنین یکی دیگر از نقاط قوت این روش، عبارت است از طبیعت منحصر به فرد چند ژنی بودن آن که زمینه ارزیابی مدلهای پیچیدهای را که شامل چندین زیرمدل میباشند فراهم میآورد (فریرا .(۲۰۰۱ فرآیند مدلسازی تبخیر تعرق ماهانه گیاه مرجع شمال غرب کشور در تحقیق حاضر به شکل زیر صورت گرفت.
گام اول، انتخاب تابع برازش مناسب بود که در این مطالعه تابع جذر میانگین مربعات خطا به عنوان تابع برازش انتخاب گردید. گام دوم، انتخاب مجموعه متغییر های ورودی و مجموعه توابع به منظور تولید کروموزومها بود. در مسئله حاضر مجموعه ترمینالها متشکل از مقادیر تبخیر و تعرق ماهانه با تاخیرهای زمانی و اطلاعات اقلیمی در نظر گرفته شد. در این مطالعه از چهار عملگر اصلی که شامل و نیز توابع ریاضی استفاده گردید. گام سوم، شامل انتخاب ساختار و معماری کروموزومها بود. اندازه طول هر راس و تعداد ژنها بر اساس تعداد متغیرهای ورودی انتخاب شد. گام چهارم انتخاب تابع پیوندی بود. در نهایت، در گام پنجم عملگر-های ژنتیک و نرخ هر یک از آنها تعیین گردید.

انتخاب دادههای ورودی
توانمندی پیشبینی مدلهای هوشمند به انتخاب صحیح نوع اطلاعات ورودی در لایه اول بستگی دارد. بنابراین در مطالعه حاضر دو حالت برای دادههای ورودی در نظر گرفته شد. در حالت اول به منظور بررسی نقش و توانایی حافظه در پیشبینی تبخیر و تعرق، از تاخیرهای زمانی یک، دو، سه و چهار ماهه استفاده گردید و هدف پاسخ به این سوال بود که آیا میتوان از حافظه تبخیر و تعرق برای پیشبینی و مدلسازی خود پدیده نیز استفاده کرد ؟ در حالت دوم دادههای اقلیمی موثر در تبخیر و تعرق توسط روش رگرسیون شناسایی شد و ترکیبات مختلف ورودی با دادههای اقلیمی ایجاد و به مدلها معرفی گردیددر. این حالت متغیری که کمترین ضریب رگرسیون را به خود اختصاص داده بود حذف گردید تا از خطا و پیچیدگی مدل کاسته شود. به طورکلی نه الگو در دو حالت ایجاد و به مدلها معرفی گردید.

معیارهای ارزیابی مدل
برای ارزیابی مدلهای مورد نظر از معیارهای ضریب همبستگی و جذر میانگین مربعات خطا استفاده شد:

که در آن
مقادیر مشاهداتی تبخیر و تعرق مرجع (به دست آمده از معادله فائو – پنمن- مانتیث) در گام زمانی iام، مقدار محاسبه شده در همان زمان، N تعداد دادهها، میانگین مقادیرمشاهداتی و میانگین مقادیر محاسباتی می-باشد. هر چه مقدار ضریب همبستگی بالاتر و RMSE کمتر باشد، نتایج دقیقتر و قابل اعتمادتر خواهند بود.

این فقط قسمتی از متن مقاله است . جهت دریافت کل متن مقاله ، لطفا آن را خریداری نمایید
word قابل ویرایش - قیمت 12700 تومان در 19 صفحه
127,000 ریال – خرید و دانلود
سایر مقالات موجود در این موضوع
دیدگاه خود را مطرح فرمایید . وظیفه ماست که به سوالات شما پاسخ دهیم

پاسخ دیدگاه شما ایمیل خواهد شد