مقاله کاربرد سیستمهای استنتاج فازی- عصبی تطبیقی و ماشین بردار پشتیبان برای برآورد تبخیر تعرق مرجع ماهانه شمالغرب کشور

word قابل ویرایش
22 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 فازی- عصبی تطبیقی و ماشین بردار پشتیبان برای برآورد تبخیر تعرق مرجع ماهانه شمالغرب کشور
چکیده
در مطالعه حاضر به منظور پیشبینی تبخیر و تعرق گیـاه مرجـع بـا اسـتفاده از دو مـدل SVM و ANFIS در مقیـاس زمـانی ماهانـه، ۶ ایسـتگاه سینوپتیک در منطقه شمالغرب کشور در دوره آماری ۳۸ ساله (۱۹۷۳-۲۰۱۰) انتخاب شد. در ابتدا مقادیر تبخیر و تعرق مرجع ماهانه برای ایستگاههـای منتخب توسط روش فائو- پنمن- مونتیث محاسبه و به عنوان خروجی مدلهای SVM و ANFIS در نظر گرفته شد. سپس یک رابطه رگرسیونی بین متغیرهای اقلیمی مختلف موثر در پدیده تبخیر و تعرق به دست آمده و الگوهای مختلف ورودی برای مدلهای مورد استفاده مشخص گردید که بـر ایـن اساس رطوبت نسبی با داشتن کمترین اثر از ورودیها حذف گردید. همچنین در مطالعه حاضر به منظور بررسی اثر حافظه در پیشبینی تبخیر و تعـرق از گامهای زمانی (تاخیر) یک، دو، سه و چهار ماهانه نیز به عنوان ورودی برای مدلها استفاده شد. بهطور کلی برای هر مدل ۹ الگوی ورودی ایجاد گردید. نتایج حاصله نشان دهنده دقت بالا و خطای کم هر دو مدل در پیشبینی تبخیر و تعرق مرجع ماهانه بوده ولی کارایی مدل SVM کمـی بهتـر از مـدل ANFIS بود . همچنین زمانی که از حافظه سری زمانی تبخیر و تعرق برای ورودی مدلها استفاده گردید، نسبت به حالتی که از متغیرهـای اقلیمـی بـه عنوان ورودی استفاده شد، دقت کمتر بود.

واژههای کلیدی: الگو، پیشبینی، حافظه، متغیرهای اقلیمی

مقدمه
مدلسازی فرآیند تبخیر و تعرق گیاهان زراعی بهطـور عمـده بـا روشهای تجربی، آئرودینامیک و بیلان انرژی انجام میشود. در این روشها با بهرهگیری از میانگین پارامترهای هواشناسی در گـامهـای مختلف زمانی، تبخیر و تعرق محاسبه میگردد. تغییرپذیری زیاد تبخیر و تعرق سبب شده که مدلهای خطی، عملکرد چندان مناسبی در این زمینه نداشته باشند و محققان بـه اسـتفاده از مـدلهـای غیرخطـی و هوشـمند روی آوردهانــد. بــرای بــرآورد دقیـق ایــن متغییــر مهــم هیدرولوژیکی، باید با صرف وقت و هزینه، دادههای زیادی اندازهگیری شود .(۱۹) ایران کشوری با اقلیم خشـک و نیمـه خشـک، از توزیـع نامناسب زمانی و مکانی بارش برخوردار است. در چنین شرایط اقلیمی بارشهـای جـوی توانـایی تـامین نیازهـای آبـی مصـرف کننـدگان بخشهای مختلف را نداشته و از این روست کـه مـدیریت منـابع آب محدود کشور بهویژه در بخش کشاورزی که بیشترین سهم مصرف را داراست از دغدغههای اصلی مدیران بخـش آب و کشـاورزی کشـور محسوب میگردد. برآورد صحیح و دقیـق نیـاز آبـی گیـاه در بخـش کشاورزی زمینه را برای طراحی و اجرای دقیق پروژههای عمرانـی و سازههای آبی از یک سو و بهرهبرداری بهینه منابع آب محدود کشـور فراهم خواهد آورد. عوامل مختلف اقلیمی همچون دما، بـارش، تعـداد ساعات آفتابی، رطوبت نسبی و سرعت بـاد در میـزان تبخیـر و تعـرق تاثیرگذار میباشد، بنابراین با توجه به ماهیت غیرخطی تبخیر و تعرق، استفاده از مدلهـای هوشـمند ماننـد سیسـتمهـای فـازی- عصـبی تطبیقــی (ANFIS) 5 و ماشــین بــردار پشــتیبان(SVM) 6 مــیتواننــد به عنوان ابزار مناسبی برای تخمین هرچه دقیقتر تبخیر و تعرق مرجع به کار گرفته شوند.
زارع ابیانه و همکاران (۱۸) از شبکه عصبی مصـنوعی۷ و سیسـتم استنتاج عصبی- فازی تطبیقی برای برآورد تبخیر و تعرق گیاه مرجـع در منطقه همدان استفاده کردند. نتایج حاصـله نشـان دهنـده برتـری مدل ANFIS با ورودیهای درجه حرارت بیشینه و کمینه و سـاعات آفتابی میباشد. زارع ابیانه و همکاران (۱۹) تبخیر و تعرق واقعی گیـاه سیر را با استفاده از روشهای شبکه عصبی مصنوعی، سیستم استنتاج عصبی- فـازی تطبیقـی و روش تلفیقـی عصـبی – ژنتیـک۱ بـرآورد نمودند. نتایج نشان داد که بهینهسازی شبکه عصبی مصنوعی موفقتر از منطق فازی بود به طوری که الگوریتم ژنتیک در ترکیب بـا شـبکه عصــبی توانســت خطــای شــبکه در مرحلــهی آزمــون را نســبت بــه عصبی- فازی به میزان ۲۴ درصد کـاهش دهـد. امـا ترکیـب منطـق فازی نه تنها سبب بهبود نتایج شبکه عصبی مصنوعی نشد، بلکه دقت پیشبینی را به میزان ۱۲ درصد کاهش داد. مـرادی و همکـاران (۱۱) سیستمهای استنتاج فازی را به منظور بـرآورد تبخیـر و تعـرق مرجـع ساعتی به کار بردند. در این مطالعه تبخیر و تعـرق محاسـبه شـده از معادله پنمن – مونتیث – فائو به عنوان خروجی مدل در نظـر گرفتـه شده و کارایی مدل با ورودیهای مختلف با استفاده از آمارههای ریشه میانگین مربعات خطا، خطای انحراف میانگین، ضـریب تعیـین، معیـار جاکوویدز و معیار صباغ و همکاران مورد ارزیابی قرار گرفت که نتـایج نشان دهنده دقت بالای سیستم اسـتنتاج فـازی در تخمـین تبخیـر و تعرق ساعتی است. جیابینگ (۸) مقدار تبخیر و تعرق گیاه مرجع را بـا استفاده از سه روش منطق فازی، شبکه عصـبی مصـنوعی و سیسـتم استنتاج عصبی- فازی تطبیقی (ANFIS) بـرآورد کردنـد. نتـایج بـه دست آمده حاکی از آن است که مدل ANFIS با ورودیهای تعـداد ساعات آفتابی و حداکثر دما توانسته با دقت بیشتر و خطـای کمتـری تبخیر تعرق گیاه مرجع را پیشبینی کند. کیشی (۹) در مطالعهای دقت مــدل ANFIS را در تخمــین تبخیــر و تعــرق گیــاه مرجــع بــرای دو ایستگاه پومونا و سانتامونیکا در لس آنجلس را مورد ارزیابی قرار دادند. نتایج این پژوهش نشان داد که این مدل از عملکرد بسـیار خـوبی در پیشبینی تبخیر و تعرق برخوردار است. دوگان (۱۲) با استفاده از مدل ANFIS تبخیر و تعرق مرجع را در ایسـتگاه مورگـان سانفرانسیسـکو محاسبه کرده و دقت بالای این مدل را در برآورد تبخیر و تعرق مـورد تایید قرار دادند. کیشـی و چـیمن (۱۰) در مقایسـهای عملکـرد مـدل SVM و روابط تجربی هـارگریوز ۲، ریـتچ و تـورک۳ را در پـیشبینـی تبخیر و تعرق روزانه مورد بررسی قـرار دادنـد. در ایـن مطالعـه مـدل SVM با بهـرهگیـری از ورودیهـای درجـه حـرارت روزانـه، تـابش خورشیدی، رطوبت نسبی و سرعت باد از دقت بسیار بالایی در پـیش-بینی تبخیر و تعرق مرجع روزانه برخوردار بود. طبری و همکاران (۱۴)
دقت مدلهای ANFIS و SVM را در پیشبینی تبخیـر تعـرق گیـاه سیب زمینی مورد ارزیابی قرار دادند. ورودیهای مختلفی برای هر دو مدل معرفی شده و در نهایت بر اساس شاخصهای ریشـه میـانگین مربعات خطا و خطای انحراف میانگین، مدل SVM با در نظر گـرفتن ورودیهای درجه حرارت متوسط، رطوبت نسـبی، تـابش خورشـیدی، تعداد ساعات آفتابی و سرعت باد عملکرد بهتری در مقایسه با سیستم استنتاج عصبی- فازی تطبیقی داشته است.
با توجه به موارد فوق میتوان دریافت کـه تخمـین پارامترهـای هیدرولوژیکی همچون تبخیر و تعـرق مرجـع از دیربـاز مـورد توجـه محققین امر بوده و بدین منظور روشهای متعددی از جمله مدلهای تجربی- نیمه تجربی، سریهای زمانی و مدلهای هوشـمند توسـعه یافتهاند که در این میان مدلهای هوشمند با الهام گرفتن از طبیعـت قادر به تخمین پارامترهای مربوط به پدیدههای طبیعی با دقت قابـل قبول میباشند و نیز دقت قابل توجهی نسبت به سایر روشها دارند که به دلیل تطابق با ماهیت غیرخطی آنها میباشد. لذا در این تحقیـق سعی گردیده است که عملکـرد دو مـدل هوشـمند سیسـتم اسـتنتاج فازی- عصبی تطبیقی (ANFIS) و ماشین بردار پشتیبان (SVM) در پیشبینی تبخیر تعرق مرجع ماهانه شمالغرب کشـور مـورد بررسـی قرار گرفته و اهداف زیر دنبـال شـود: (۱ توسـعه مـدلهـای مناسـب ANFIS و SVM با الگوهای ورودی مختلف، (۲ تعیین مقـدار بهینـه ضرایب سهگانه مدل SVM و (۳ ارزیابی دقت مدلهای به کار رفتـه در پیشبینی تبخیر و تعرق مرجع ماهانه شمالغرب ایران.

مواد و روشها
دادهها و منطقه مورد مطالعه
برای محاسبه تبخیر و تعرق مرجع ماهانه در منطقه شـمال غـرب کشور شامل استانهای آذربایجان غربی و شرقی، زنجان و کردسـتان، ایستگاههای سینوپتیک مورد بررسی قرار گرفته و در نهایت ۶ ایستگاه با دارا بودن اطلاعات کافی و طولانی مدت در دوره آمـاری ۳۸ سـاله (۱۹۷۳- ۲۰۱۰) انتخاب شدند. ایستگاههـای منتخـب متوسـط دمـای منطقه و بارش سالانه را به ترتیـب ۱۲/۸ درجـه سـانتی گـراد و ۳۶۰ میلیمتر نشان میدهند که براساس طبقه بندی اقلیمی دومارتن، اقلیم این منطقه با شاخص ۱۵/۷۹ از نوع آب و هوای نیمه خشک میباشد. در جدول ۱ مشخصات ایستگاههای منتخب ارائه شده است و شکل ۱ نیز موقعیت مکانی ایستگاهها را نشان میدهد.

سیستم استنتاج فازی عصبی- تطبیقی (ANFIS)
اخیراً با ترکیب موفقیت آمیـز بعضـی روشهـا همچـون شـبکه عصبی، منطق فازی و محاسبات تکاملی، روشهای جدیـدی بـه نـام محاسبات نرم و هوشمند ایجاد و توسعه یافتهاند. این تکنیکهای نرم در زمینههای مختلف مهندسی به کار میروند.

نروفازی یک سیسـتم هیبریـدی اسـت کـه مرکـب از توانـایی تصمیمگیری منطق فازی با قابلیت حسابگری شبکه عصبی است و سطح پیچیده و بالایی را برای مدل کردن و تخمین پیشنهاد میکند. اساسا قسـمت فـازی مربـوط بـه گـروهبنـدی دادههـای ورودی بـه مجموعههایی که با درجه عضویت مشخص میشوند (که هر عـددی بین ۰ و ۱ میتواند باشد) و تصـمیمگیـری بـرای فعالیـت بعـدی بـر اساس یک سری قوانین و حرکت به مرحلـه بعـدی اسـت. سیسـتم استنتاج عصبی – فازی تطبیقی شامل بخشهایی از سیسـتم فـازی معمولی خبره میباشد که محاسبات در هر مرحله به وسیله لایههای پنهان نرون و توانایی یادگیری شبکه عصـبی ایجـاد شـده اسـت تـا اطلاعات سیستم را افزایش دهد ANFIS .(9) در ابتدا توسط جانـگ (۶) معرفی گردید و از آن پس به عنوان یکی از ابزارهای تقریب ساز توابع حقیقی پیوسته (و با هر مقدار دلخـواه درجـه دقـت) در سـطح جهانی مورد استفاده قرار گرفت .(۷) ایـن سیسـتم از نظـر عملکـرد مشابه سیستمهای اسـتنتاج فـازی مـیباشـد .(۷) سـامانه اسـتنتاج عصبی – فازی تطبیقی به کار گرفته شده در تحقیق حاضر، معـادل مدل فازی از مرتبه سوگنو میباشد ۷) و .(۳ رونـد سیسـتم اسـتنتاج عصبی – فازی تطبیقی در شکل ۲ نشان داده شـده اسـت کـه دارای مراحل زیر است:

(۱ فازی سازی: در این مرحله دادهها جهت ورود به مرحلـه بعـد فازیسازی میشوند. (۲ استنتاج: تمام قوانین تصـمیمگیـری بـرروی دادههای فازی شده اعمال گردیده و با قوانین ” اگر و آنگاه” درستی آنها بررسی و تعیین میشود. (۳ فازی زدایی: نتایج فازی بـه دسـت آمده از مرحله قبل را با استفاده از روشهای مختلف همچون مرکـز جرم و غیره به مقدار اولیه بر میگرداند.

ماشین بردار پشتیبان (SVM)
ماشین بردار پشتیبان یکی از روش های یادگیری تحت نظارت۱ است که هم برای دسته بندی و هم رگرسیون قابـل اسـتفاده اسـت. این روش توسط وپنیک (۱۵) بر پایه تئـوری یـادگیری آمـاری۲ بنـا نهاده شده است. SVM روشی برای طبقه بنـدی دوتـائی در فضـای ویژگی های دلخواه است و از ایـن رو روشـی مناسـب بـرای مسـائل پیشبینی به شمار میرود .(۱۲) ماشین بردار پشتیبان در اصـل یـک دسته بندی کننده دو کلاسی است که کلاس ها را توسط یـک مـرز خطی از هم جدا میکند. در این روش نزدیکترین نمونه ها بـه مـرز تصمیم گیری را بردارهای پشتیبان می نامند. این بردارها معادلـه مـرز تصمیم گیری را مشخص می کنند. الگوریتمهای شبیهسازی هوشمند کلاسیک مانند شبکههای عصبی مصنوعیمعمولاً، قدر مطلق خطـا یا مجموع مربعات خطای دادههای آموزشی را حداقل میکننـد، ولـی مدلهای SVM، اصل حداقل سـازی خطـای سـاختاری را بـه کـار میگیرند .(۵)
در یک مدل رگرسیونی SVM لازم است وابستگی تابعی متغیـر وابسته y به مجموعهای از متغیرهای مسـتقل x تخمـین زده شـود. فرض براین است که ماننـد دیگـر مسـائل رگرسـیونی، رابطـه بـین متغیرهای وابسته و مستقل توسط یک تابع معین f بـه عـلاوه یـک مقدار اضافی نویز۳ مشخص میشود.

بنابراین موضوع اصلی، پیدا کردن فـرم تـابع f اسـت کـه بتوانـد به صورت صحیح، موارد جدیدی را که SVM تـاکنون تجربـه نکـرده است پیشبینی کند. این تابع به وسیله آمـوزش مـدل SVM بـر روی یک مجموعه داده به عنوان مجموعه آموزش که شـامل فرآینـدی بـه منظور بهینهسازی دائمی تابع خطا است، قابل دسترسی است. برمبنای تعریف این تابع خطا، دو نمونه از مدلهای SVM شناخته شده اسـت که عبارتند از الف) مدلهای رگرسیونی SVM نوع اول که مدلهـای SV M -v نیز نامیده میشوند و ب) مدلهای رگرسـیونی SVM نوع دوم که با نام SV M – شناخته شده هستند. در این مطالعـه SV M – به دلیل کاربرد گسترده آن در مسائل رگرسیونی مورد استفاده قرار گرفت. برای این مدل، تابع خطا به صـورت زیـر تعریـف میشود:

تابع خطای فوق لازم است که با توجه بـه محـدودیتهـای زیـر کمینه گردد :(۱۰)

که در این روابـط C ثابـت گنجـایش، W بـردار ضـرایب، W T ترانهاده بردار ضرایب، ضرایب کمبود، b ضـریب ثابـت، N الگوهای آموزش مدل و تابع کرنل است. اطلاعات کمی در مـورد انتخاب تابع غیرخطی مناسب در دسترس میباشـد. ماشـینهـای بردار پشتیبان برای حل مسائل غیرخطی، ابعاد مساله را از طریق توابع کرنل تغییر میدهند. انتخاب کرنل برای SVM بـه حجـم دادههـای آموزشی و ابعاد بردار ویژگی بستگی دارد. به عبارت دیگر، باید با توجه به این پارامترها تابع کرنلی را انتخاب نمود که توانایی آمـوزش بـرای ورودیهــای مســاله را داشــته باشــد. در عمــل چهــار نــوع کرنــل خطی۱،کرنـل چنـد جملـهای ۲، کرنـل تانژانـت هیپربولیـک۳ و کرنـل گوسی(RBF) 4 به کار گرفته می شوند. در جدول ۲ معادلات برخـی از کرنلهای رایج ارائه شده اند.
در نهایت، تابع تصـمیم رگرسـیون بـردار پشـتیبان غیرخطـی بـه صورت معادله زیر خواهد بود که کنتـرل کننـده میـزان نوسـان تـابع گوسی و همچنین کنترل کننده نتایج پیشبینی و تعمیم دهنده مـدل SVM است .(۱۷)

معیارهای ارزیابی مدل
در این تحقیق، برای ارزیابی مدلهـای مـورد نظـر از معیارهـای ضریب همبستگی و جذر میانگین مربعات خطا استفاده میشود:

که در روابط فوق ( ET0i (FPM مقادیر مشاهداتی تبخیـر و تعرق مرجع (به دست آمده از معادله فائو – پـنمن- مونتیـث) در گـام زمانی i ام، ( ET0i (cal مقدار محاسـبه شـده در همـان زمـان، n تعداد دادهها و ( ET0 ( FPM میانگین مقادیر مشاهداتی میباشـد. هر چه مقدار ضریب همبستگی بالاتر و RMSE کمتـر باشـد، نتـایج 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 22 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