بخشی از مقاله
چکیده
در مطالعه حاضر به منظور پیش بینی مقدار بارش با استفاده از مدل ANFIS در مقیاس زمانی ماهانه، در دو ایستگاه سینوپتیک ارومیه و تبریز در دوره آماری 10 ساله - 1384-94 - انجام شد.. الگوهای مختلف ورودی که عبارتند بارش با یک ماه تاخیر، بارش با دوماه تاخیر و بارش با سه ماه تاخیر برای مدل های مورد استفاده مشخص گردید.
نتایج حاصله نشان دهنده دقت بالا و خطای کم این مدل در پیش بینی باراش ماهانه بوده است به طوری که بهترین نتیجه در هر دو ایستگاه مربوط به حالت سوم یعنی در حالتی که بارش با سه ماه تاخیر به عنوان وردی در نظر گرفته شده بود بوده است . نتیجه گیری کلی مدل ANFIS ابزار مناسبی برای پیش بینی بارش در منطقه مطالعاتی است.
مقدمه
مدلسازی فرآیند بارش به طور عمده با روشه ای تجربی، آئرودینامیک و بیلان انرژی انجام می شود. در این روش ها با بهره گیری از میانگین پارامترهای هواشناسی در گام های مختلف زمانی، بارش محاسبه میگردد. تغییرپذیری زیاد بارش سبب شده که مدل های خطی، عملکرد چندان مناسبی در این زمینه نداشته باشند و محققان به استفاده از مدل های غیرخطی و هوشمند روی آورده اند. برای برآورد دقیق این متغیر مهم هیدرولوژیکی، باید با صرف وقت و هزینه، داده های زیادی اندازه گیری شود
ایران کشوری با اقلیم خشک و نیمه خشک، از توزیع نامناسب زمانی و مکانی بارش برخوردار است. در چنین شرایط اقلیمی بارش های جوی توانایی تامین نیازهای آبی مصرف کنندگان بخش های مختلف را نداشته و از این روست که مدیریت منابع آب محدود کشور به ویژه در بخش کشاورزی که بیشترین سهم مصرف را داراست از دغدغه های اصلی مدیران بخش آب و کشاورزی کشور محسوب میگردد.
برآورد صحیح و دقیق نیاز آبی گیاه در بخش کشاورزی زمینه را برای طراحی و اجرای دقیق پروژه های عمرانی و سازه های آبی از یک سو و بهره برداری بهینه منابع آب محدود کشور فراهم خواهد آورد. عوامل مختلف اقلیمی همچون دما، بارش، تعداد ساعات آفتابی، رطوبت نسبی و سرعت باد در میزان تبخیر و تعرق تاثیرگذار میباشد، بنابراین با توجه به ماهیت غیرخطی بارش، استفاده از مدل های هوشمند مانند سیستم فازی - عصبی تطبیقی میتوانند به عنوان ابزار مناسبی برای تخمین هرچه دقیقتر بارش به کار گرفته شود.
سیستم های استنتاج فازی را به منظور برآورد بارش ماهانه به کار بردند. در این مطالعه کارایی مدل با ورودی های مختلف با استفاده از آماره های ریشه میانگین مربعات خطا، خطای انحراف میانگین، ضریب تعیین، معیار جاکوویدز و معیار صباغ و همکاران مورد ارزیابی قرار گرفت که نتایج نشان دهنده دقت بالای سیستم استنتاج فازی در بار ماهانه است.
کیشی - 2007 - در مطالعه ای دقت مدل ANFIS را در تخمین تبخیر و تعرق گیاه مرجع برای دو ایستگاه پومونا و سانتامونیکا در لس آنجلس را مورد ارزیابی قرار دادند. نتایج این پژوهش نشان داد که این مدل از عملکرد بسیار خوبی در پیش بینی تبخیر و تعرق برخوردار است.
دوگان - 2009 - 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. با توجه به موارد فوق میتوان دریافت که تخمین پارامترهای هیدرولوژیکی از دیرباز مورد توجه محققین امر بوده و بدین منظور روش های متعددی از جمله مدل های تجربی- نیمه تجربی، سری های زمانی و مدل های هوشمند توسعه یافته اند که در این میان مدل های هوشمند با الهام گرفتن از طبیعت قادر به تخمین پارامترهای مربوط به پدیده های طبیعی با دقت قابل قبول میباشند و نیز دقت قابل توجهی نسبت به سایر روش ها دارند که به دلیل تطابق با ماهیت غیرخطی آن ها میباشد. لذا در این تحقیق سعی گردیده است که عملکرد مدل هوشمند سیستم استنتاج فازی- عصبی تطبیقی - ANFIS - در پیش بینی بارش ماهانه در دو ایستگاه ارومیه و تبریز مورد بررسی قرار گرفته است.
مواد و روش ها
برای محاسبه بارش ماهانه در منطقه دریاچه ارومیه شامل استان های آذربایجان غربی و شرقی ایستگاه های سینوپتیک مورد بررسی قرار گرفته و در نهایت دو ایستگاه با دارا بودن اطلاعات کافی و طولانی مدت در دوره آماری 10 ساله 1384-94 - - انتخاب شدند. که براساس طبقه بندی اقلیمی دومارتن، اقلیم هر دو ایستگاه از نوع آب و هوای نیمه خشک می باشد. در جدول 1 مشخصات ایستگاه های منتخب ارائه شده است و شکل 1 نیز موقعیت مکانی ایستگاه ها را نشان میدهد.
شکل- 1 نمایی از منطقه مورد مطالعه
جدول -1 مشخصات ایستگاه های ارومیه و تبریز
اخیراً با ترکیب موفقیت آمیز بعضی روش ها همچون شبکه عصبی، منطق فازی و محاسبات تکاملی، روش های جدیدی به نام محاسبات نرم و هوشمند ایجاد و توسعه یافته اند. این تکنیک های نرم در زمینه های مختلف مهندسی به کار میروند. نروفازی یک سیستم هیبریدی است که مرکب از توانایی تصمیم گیری منطق فازی با قابلیت حسابگری شبکه عصبی است و سطح پیچیده و بالایی را برای مدل کردن و تخمین پیشنهاد میکند. اساسا قسمت فازی مربوط به گروه بندی داده های ورودی به مجموعه هایی که با درجه عضویت مشخص میشوند - که هر عددی بین 0 و 1 می تواند باشد - و تصمیم گیری برای فعالیت بعدی بر اساس یک سری قوانین و حرکت به مرحله بعدی است . سیستم استنتاج عصبی - فازی تطبیقی شامل بخش هایی از سیستم فازی معمولی خبره میباشد که محاسبات در هر مرحله به وسیله لایه های پنهان نرون و توانایی یادگیری شبکه عصبی ایجاد شده است تا اطلاعات سیستم را افزایش دهد
در ابتدا توسط جانگ - جانگ - 1993 معرفی گردید و از آن پس به عنوان یکی از ابزارهای تقریب ساز توابع حقیقی پیوسته - و با هر مقدار دلخواه درجه دقت - در سطح جهانی مورد استفاده قرار گرفت
این سیستم از نظر عملکرد مشابه سیستم های استنتاج فازی می باشد . سامانه استنتاج عصبی - فازی تطبیقی به کار گرفته شده در تحقیق حاضر، معادل مدل فازی از مرتبه سوگنو میباشد
روند سیستم استنتاج عصبی- فازی تطبیقی در شکل 2 نشان داده شده است که دارای مراحل زیر است: B1فازی سازی: در این مرحله داده ها جهت ورود به مرحله بعد فازی سازی میشوند. B2استنتاج: تمام قوانین تصمیم گیری برروی داده های فازی شده اعمال گردیده و با قوانین " اگر و آنگاه" درستی آن ها بررسی و تعیین میشود. B3فازی زدایی: نتایج فازی به دست آمده از مرحله قبل را با استفاده از روش های مختلف همچون مرکز جرم و غیره به مقدار اولیه بر می گرداند.
شکل - 2 روند سیستم استنتاج عصبی- فازی تطبیقی
معیار های ارزیابی با استفاده از روشهای مختلفی میتوان عملکرد مدلها را مورد ارزیابی و مقایسه قرار داد، یکی از این روشها استفاده از معیارهای ارزیابی میباشد. از جمله معیارهای ارزیابی پرکاربرد در علوم مهندسی آب، ضرایب همبستگی - CC - 1 و ریشه میانگین مربعات خطا - RMSE - 2 میباشند که به ترتیب در روابط 1و 2 آورده شدهاند. دقیقترین مدل با توجه به این معیارها، مدلی خواهد بود که مقدار این دو معیار برای آن به ترتیب نزدیک به یک، صفر و یک باشد.
نتیجه گیری
در مطالعه حاضر برای مدلسازی بارش ماهانه با استفاده از ANFIS ،داده های 10 سال انتخاب شدند. به طور کلی 80 درصد داده ها برای آموزش و 20 درصد نیز برای تست در نظر گرفته شد . توابع عضویت مورد استفاده در مدل ANFIS برای تمامی حالات تابع مثلثی می باشد. در جدول 2 نیز نتایج ارزیابی الگوهای مختلف ورودی ANFIS برای مدلسازی بارش ماهانه در مراحل آموزش و صحتسنجی ارائه شده است. با توجه به این جدول می توان نتیجه گرفت که در کل عملکرد ANFIS در پیش بینی بارش ماهانه بسیار مناسب می باشد.
جدول 2 -عملکرد مدل ANFIS
محاسبه و پیش بینی بارش زمینه را برای طراحی مناسب تاسیسات آبیاری فراهم نموده و ضمن کاهش هزینه های اجرا باعث ارائه برنامه مناسب بهره برداری از منابع آب بخش کشاورزی می گردد . در این تحقیق از دادهه ای ایستگاه های سینوپتیک ارومیه و تبریز برای پیش بینی بارش ماهانه با استفاده از روش ANFIS استفاده شد.
