بخشی از مقاله

*** اين فايل شامل تعدادي فرمول مي باشد و در سايت قابل نمايش نيست ***

کاربرد سیستمهاي استنتاج عصبی - فازي تطبیقی و برنامهریزي ژنتیک براي برآورد تبخیر تعرق ماهانه در شمالغرب ایران
چکیده
تبخیر و تعرق یکی از اجزاي اصلی چرخه هیدرولوژي است که تخمین دقیق آن در طراحی و مدیریت سیستم-هاي آبیاري، شبیهسازي تولیدات گیاهی و مدیریت منابع آب ضروري است. در این مطالعه به منظور برآورد تبخیر و تعرق گیاه مرجع با استفاده از دو مدل برنامهریزي ژنتیک (GP) و سیستم استنتاج عصبی - فازي تطبیقی (ANFIS) در مقیاس زمانی ماهانه، شش ایستگاه سینوپتیک در منطقه شمالغرب کشور در دوره آماري 38 ساله (1973- 2010) انتخاب شد. در ابتدا مقادیر تبخیر تعرق ماهانه گیاه مرجع براي ایستگاههاي منتخب توسط روش فائو- پنمن- مونتیث محاسبه و به عنوان خروجی مدلها در نظر گرفته شد. سپس یک رابطه رگرسیونی بین متغیرهاي اقلیمی مختلف موثر در پدیده تبخیر و تعرق به دست آمد و الگوهاي مختلف ورودي براي مدلهاي مورد استفاده مشخص گردید که بر این اساس رطوبت نسبی با داشتن کمترین تاثیر از وروديها حذف شد. همچنین در مطالعه حاضر سعی گردید تا نقش حافظه در پیشبینی تبخیر تعرق ماهانه گیاه مرجع بررسی و از تاخیرهاي یک، دو، سه و چهار ماهه نیز به عنوان ورودي براي مدلها استفاده شد. به طور کلی براي هر مدل نه الگوي ورودي ایجاد شد که نتایج حاصله نشان دهنده دقت بالا و خطاي کم هر دو مدل در پیشبینی تبخیر تعرق ماهانه گیاه مرجع بوده و کارآیی مدلANFIS بهتر از روش GP بود.
واژههاي کلیدي:برنامهریزي ژنتیک، تبخیر و تعرق مرجع، سیستم استنتاج عصبی- فازي تطبیقی.


مقدمه
انجام آبیاري براي تامین نیاز آبی گیاه در مناطق خشک و نیمهخشک ضروري میباشد. بنابراین محاسبه دقیق نیاز آبی گیاه (ETc) جهت بهینهسازي مصرف آب، برنامهریزي آبیاري و مصرف ضروري است. محاسبه ETc نیز در بسیاري از پروژههاي منابع آب، آبیاري و زهکشی مورد نیاز بوده و اندازهگیري مستقیمآن تقریباً دشوار، زمانبر و پرهزینه است (سامر و جاکوبز .( 2005 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 روشهاي تئوري و تجربی محاسبه کرد. از بین روشهاي مختلف، معادله پنمن - مانتیث به طور گستردهاي جهت محاسبه ET0 در دوره-هاي زمانی مختلف مورد استفاده قرار میگیرد (آلن و همکاران .(1998 نسخه اصلاح شده معادله فائو- پنمن-مونتیث1 هم اینک مبناي نرمافزارهایی همچون CropWat بوده که در محاسبات تبخیر- تعرق کاربرد فراوانی دارد.
در سالهاي اخیر روشهاي جعبه سیاه2 و مبتنی بر داده در حل مسائلی از مهندسی آب که اطلاعات کافی جهت برآورد مدل وجود داشته باشد به طور چشمگیري گسترش یافتهاند. روش سیستمهاي فازي- عصبی تطبیقی3 (ANFIS) به عنوان رهیافتی معتبر در مدلسازي 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.
سیستمهاي فازي- عصبی تطبیقی جزء روش-هاي جعبه سیاه بوده و بدون در نظر گرفتن فرآیند فیزیکی حاکم بر سیستم و تنها با کمک دادههاي ورودي و خروجی قادر به ایجاد رابطه بین آن دو میباشد. در سال-هاي گذشته مدل ANFIS در بخشهاي مختلف مهندسی آب از جمله برآورد تبخیر و تعرق به کار گرفته شده است.
زارع ابیانه و همکاران (1388) از شبکه عصبی مصنوعی4 و سیستم استنتاج عصبی- فازي تطبیقی براي برآورد تبخیر و تعرق گیاه مرجع در منطقه همدان استفاده کردند. نتایج حاصله نشاندهنده برتري مدل ANFIS با وروديهاي درجه حرارت بیشینه و کمینه و تعداد ساعات آفتابی بوده است. زارع ابیانه و همکاران (1390) تبخیر و تعرق واقعی گیاه سیر را با استفاده از روشهاي شبکه عصبی مصنوعی، سیستم استنتاج عصبی- فازي تطبیقی و روش تلفیقی عصبی - ژنتیک5 برآورد نمودند.

نتایج نشان داده که روش شبکه عصبی مصنوعی دقیقتر از منطق فازي بوده به طوریکه الگوریتم ژنتیک در ترکیب با شبکه عصبی توانسته خطاي آزمون شبکه را نسبت به عصبی- فازي به میزان 24 درصد کاهش دهد.اما ترکیب منطق فازي نه تنها سبب بهبود نتایج شبکه عصبی مصنوعی نشد، بلکه دقت پیشبینی را به میزان 12 درصد کاهش داده است. جیابینگ (2004) مقدار تبخیر و تعرق گیاه مرجع را با استفاده از سه روش منطق فازي، شبکه عصبی مصنوعی و سیستم استنتاج عصبی- فازي تطبیقی (ANFIS) برآورد کردند.
نتایج به دست آمده نشان داد که مدل ANFIS با وروديهاي تعداد ساعات آفتابی و حداکثر دما میتواند با دقت زیاد و خطاي کمتري تبخیر تعرق گیاه مرجع را پیشبینی کند. دوگان (2009) با استفاده از مدل ANFIS تبخیر و تعرق مرجع را در ایستگاه مورگان سانفرانسیسکو محاسبه کرده و دقت بالاي این مدل را در برآورد تبخیر و تعرق مورد تایید قرار دادند. طبري و همکاران (2013) دقت مدلهاي ANFIS و ماشین بردار پشتیبان6 را در پیشبینی تبخیر تعرق گیاه سیب زمینی مورد ارزیابی قرار دادند. وروديهاي مختلفی براي هر دو مدل معرفی شده و در نهایت بر اساس شاخصهاي ریشه میانگین مربعات خطا و خطاي انحراف میانگین، مدل SVM با در نظر گرفتن وروديهاي درجه حرارت متوسط، رطوبت نسبی، تابش خورشیدي، تعداد ساعات آفتابی و سرعت باد عملکرد بهتري در مقایسه با سیستم استنتاج عصبی- فازي تطبیقی داشته ولی دقت هر دو مدل بسیار نزدیک به هم گزارش شده بود.
برنامهریزي ژنتیک1 شاخهاي از الگوریتمهاي تکاملی است که توانایی مدلسازي فرآیندهايکاملاً غیرخطی و پویا را دارد. روش برنامهریزي ژنتیک اولین بار توسط کوزا (1992) بسط داده شد. این روش جزء روشهاي الگوریتم تکاملی محسوب میشود که مبناي آنها بر اساس نظریه تکامل داروین استوار است. الگوریتم-هاي یاد شده اقدام به تعریف یک تابع هدف در قالب معیارهاي کیفی نموده و سپس تابع یاد شده را براي مقایسه جوابهاي مختلف حل مسئله در یک فرآیند گام به گام تصحیح ساختار دادهها به کار میگیرند و در نهایت، جواب مناسب را ارائه مینمایند. روش برنامهریزي ژنتیک جدیدترین شیوه از بین روشهاي الگوریتم تکاملی میباشد که به دلیل دارا بودن دقت کافی، از کاربرد بیشتري برخوردار است (آلوییسی .(2005
تفاوت اساسی موجود بین الگوریتم ژنتیک و برنامهریزي ژنتیک به طبیعت هر یک از افراد بر میگردد، به نحوي که افراد در الگوریتم ژنتیک، ردیفهاي خطی با طول ثابت میباشند (کروموزمها) ولی در برنامهریزي ژنتیک، همانند شاخههاي مجزا هستند. همچنین در برنامه-ریزي ژنتیک بر ساختار درختی مجموعهها تاکید میشود ولی الگوریتم ژنتیک، بر اساس سیستم ارقام دودویی عمل مینماید. روش GP در زمینههاي مختلف مهندسی آب مورد استفاده محققین قرار گرفته است، از جمله تحقیقات انجام یافته با GP میتوان به مطالعات فربودنام و همکاران (1388) و گوون (2009) براي پیشبینی جریان روزانه رودخانهها، خو و همکاران (2001) در پیشبینی رواناب ساعتی، آیتک و همکاران (2008) براي تعیین رابطه بارش- رواناب، قربانی و همکاران (2010) در روندیابی سیلاب و ظهیري و عظمت االله (2014) در پیشبینی دبی مقاطع مرکب رودخانهها اشاره کرد.
با عنایت به موارد فوق میتوان دریافت که تخمین پارامترهاي هیدرولوژیکی همچون تبخیر و تعرق مرجع در تعیین نیاز آبی گیاهان و پروژههاي آب و خاك بسیار مهم بوده و از دیرباز مورد توجه محققین امر قرار گرفته است. بدین منظور، روشهاي متعددي از جمله مدلهاي تجربی- نیمه تجربی، سريهاي زمانی و مدل-هاي هوشمند توسعه یافتهاند که در این میان مدلهاي هوشمند با الهام گرفتن از طبیعت قادر به تخمین پارامترهاي مربوط به پدیدههاي 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- فازي تطبیقی (ANFIS) و برنامهریزي ژنتیک (GP) در پیشبینی تبخیر تعرق ماهانه گیاه مرجع شمالغرب کشور مورد بررسی قرار گیرد.

مواد و روشها
منطقه مورد مطالعه
براي محاسبه تبخیر تعرق ماهانه گیاه مرجع در منطقه شمال غرب کشور شامل استانهاي آذربایجان غربی شرقی، زنجان و کردستان، ایستگاههاي سینوپتیک موجود در این مناطق مورد بررسی قرار گرفته و در نهایت شش ایستگاه با دارا بودن اطلاعات کافی و طولانی مدت در دوره آماري 38 ساله (1973-2010) انتخاب شدند. در جدول (1) مشخصات ایستگاههاي منتخب ارائه شده است شکل (1) نیز موقعیت مکانی ایستگاهها را نشان میدهد.



سیستم استنتاج فازي عصبی- تطبیقی (ANFIS)
روش سامانه استنتاج تطبیقی عصبی-فازي، یک روش نوین در حل مسایل پیچیدهاي است که یا الگوریتم مشخصی براي حل آنها وجود ندارد و یا استفاده از روشهاي متعارف مستلزم به کارگیري راه حلهاي بسیار طولانی و زمانبر میباشد. یکی از قابلیتهاي مهم سامانه استنتاج تطبیقی عصبی-فازي درك رفتار غیرخطی یک سیستم میباشد. این روش در سالهاي اخیر در مسایل مختلف مدیریت منابع آب و خاك مورد استفاده قرار گرفته است (نحوينیا و همکاران، .(1389 روند سیستم استنتاج عصبی- فازي تطبیقی در شکل (2) نشان داده شده است که داراي مراحل زیر است:
فازي سازي: در این مرحله دادهها جهت ورود به مرحله بعد فازيسازي میشوند. استنتاج: تمام قوانین تصمیمگیري بر روي دادههاي فازي شده اعمال گردیده و با قوانین "اگر و آنگاه" درستی آنها بررسی و تعیین می-شود. فازيزدایی: نتایج فازي به دست آمده از مرحله قبل را با استفاده از روشهاي مختلف همچون مرکز جرم و غیره به مقدار اولیه بر میگرداند.

نخستین گام در پیریزي شبکه استنتاج تطبیقی عصبی-فازي براي پیشبینی تبخیر - تعرق مرجع ماهانه، انتخاب دادههاي ورودي وابسته و نرمالسازي دادهها قبل از ورود به مدل ANFIS میباشد. نرمالسازي دادهها که به منظور افزایش دقت و سرعت شبکه در پاسخ به پیام-هاي ورودي میباشد، با استفاده از رابطه زیر انجام شد (سبزيپرور و همکاران، :(1389

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 80) درصد) و داده آزمون 20) درصد) تقسیم شدند. در این مطالعه به منظور توسعه مدل ANFIS از نرم افزار متلب استفاده شد.

برنامهریزي ژنتیک (GP)
در مطالعه حاضر از برنامه GeneXpro Tools (فریرا (2001 براي توسعه و اجراي مدلهاي مبتنی بر برنامهریزي ژنتیک استفاده شد. برنامهریزي ژنتیک به استنتاج برنامههاي رایانهاي با اندازهها و شکلهاي مختلف میپردازد. یکی از نقاط قوت GP آن است که معیار تنوع ژنتیکی بسیار ساده بوده و لذا عملگرهاي 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 مدلهاي پیچیدهاي را که شامل چندین زیرمدل میباشند فراهم میآورد (فریرا .(2001 فرآیند مدلسازي 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 هاي ورودي و مجموعه توابع به منظور تولید کروموزومها بود. در مسئله حاضر مجموعه ترمینالها متشکل از مقادیر تبخیر و تعرق ماهانه با تاخیرهاي 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 معماري کروموزومها بود. اندازه طول هر راس و تعداد ژنها بر اساس تعداد متغیرهاي ورودي انتخاب شد. گام چهارم انتخاب تابع پیوندي بود. در نهایت، در گام پنجم عملگر-هاي ژنتیک و نرخ هر یک از آنها تعیین گردید.

انتخاب دادههاي ورودي
توانمندي پیشبینی مدلهاي هوشمند به انتخاب صحیح نوع اطلاعات ورودي در لایه اول بستگی دارد. بنابراین در مطالعه حاضر دو حالت براي دادههاي ورودي در نظر گرفته شد. در حالت اول به منظور بررسی نقش و توانایی حافظه در پیشبینی تبخیر و تعرق، از تاخیرهاي زمانی یک، دو، سه و چهار ماهه استفاده گردید و هدف پاسخ به این سوال بود که آیا میتوان از حافظه تبخیر و تعرق براي پیشبینی و مدلسازي خود پدیده نیز استفاده کرد ؟ در حالت دوم دادههاي اقلیمی موثر در تبخیر و تعرق توسط روش رگرسیون شناسایی شد و ترکیبات مختلف ورودي با دادههاي اقلیمی ایجاد و به مدلها معرفی گردیددر. این حالت متغیري 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.

معیارهاي ارزیابی مدل
براي ارزیابی مدلهاي مورد نظر از معیارهاي 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.

در متن اصلی مقاله به هم ریختگی وجود ندارد. برای مطالعه بیشتر مقاله آن را خریداری کنید