بخشی از مقاله
چکیده
پیشبینی بارش به عنوان مهمترین پارامترهای هواشناسی و هیدرولوژی نقش بسزایی در مدیریت منابع آب هر منطقه ایفا میکند. در این مطالعه، با مد نظر قرار دادن دادههای هواشناسی طی دوره آماری 54 ساله 1956 - تا - 2010 شهرستان رشت، کاربرد ساختارهای مختلف شبکه عصبی مصنوعی در تخمین بارش با استفاده از داده-های هواشناسی بارشی و غیربارشی مورد بررسی قرار گرفت.
نتایج آزمون همبستگی پیرسون نشان داد که پارامترهای هواشناسی دمای روزانه، دمای خشک، حداکثر دمای روزانه، دمای نقطه شبنم و میانگین فشار بخار آب، بیشترین همبستگی را با بارش منطقه مورد مطالعه داشتند. اجرای ساختارهای مختلف شبکه عصبی مصنوعی نشان داد ساختار 5-6-1 با الگوریتم آموزشی لونبرگ مارکوات و تابع محرک سیگموئید، کمترین خطا NRMSE=0/18 - ،MBE = 16/47 و - MAE=185/58 را در برآورد بارش داشته است.
بکارگیری دادههای بارندگی گامهای زمانی قبل به عنوان ورودی شبکه عصبی مصنوعی نشان داد ساختار 3-1؛3 با قانون آموزشی لونبرگ مارکوات و تابع محرک تانژانت، کمترین NRMSE ، MBE و MAE بهترتیب با مقادیر 0/14، /57 28میلیمترو 144/75میلیمتر، نسبت به سایر ساختارها داشتند. در مجموع میتوان اظهار داشت بکارگیری داده-های هواشناسی بارشی بهعنوان ورودی شبکه عصبی مصنوعی نسبت به دادههای ورودی غیربارشی، دقت بیشتری در برآورد بارش منطقه مورد مطالعه دارد.
-1 مقدمه
بارش یکی از مهمترین پارامترهای علوم هواشناسی و هیدرولوژی با ماهیت تصادفی میباشد که پیشبینی آن از اهمیت ویژهای برخوردار است. به این منظور محققین در چند دهه اخیر روشهای مختلفی را برای پیشبینی پارامترهای هیدرولوژیکی مورد تحقیق و بررسی قرار دادهاند. به طور عمده میتوان این روشها را به روشهای مبتنی بر سری زمانی، مدلهای رگرسیونی و مدل حوضه آبریز تقسیم بندی نمود. روشهای سری زمانی دارای محدودیت بیشتر و دقت کمتر در پیشبینیهای درازمدت میباشند.
از طرفی، مدلهای حوضه آبریز دارای پیچیدگی و هزینه بالا میباشند و نیاز به اطلاعات و آمار وسیعی دارند که اغلب موجود نیست. مدلهای رگرسیونی نیز دارای پیچیدگیهایی است و توانایی پیشبینیهای میانمدت را دارا است و در درازمدت قادر به پیشبینی نمیباشند. از سویی دیگر، با توسعه و رواج شبکه عصبی مصنوعی 1 - ANN - امکان کشف ارتباط بین پارامترها به خوبی امکانپذیر گشته است. کراس و همکاران [1] چنین بیان کردند که شبکه عصبی میتواند روابط غیرخطی پیچیده بین متغیرهای وابسته و مستقل را پیدا کند و نسبت به روش رگرسیونی با دقت بیشتری عمل کند.
آمبالاوانان و همکاران [2] نشان دادند که اگر بین پارامترها رابطه غیرخطی وجود نداشته باشد، نتایج شبکه عصبی در مقایسه با روش رگرسیون نتایج بهتری نخواهد بود. یک شبکه عصبی متشکل از نرونهایی به تعداد متغیرهای مستقل در لایه ورودی، یک یا چند لایه میانی و یک لایه خروجی با نرونهایی به تعداد متغیرهای مجهول می-باشد .[3]
شایان ذکر است افزایش ورودیها باعث بزرگ شدن شبکه، کندی آموزش و در نتیجه افزایش خطای شبکه میشود و علاوه بر آن موجب پرهزینه شدن و زمانبر بودن اندازهگیریها میشود .[4] بنابراین لازم است در شبکه عصبی بهترین و در عین حال کمترین تعداد ورودی را داشته باشیم. در این راستا، کامدویون و همکاران [5] به منظور کاهش تعداد متغیرهای ورودی و درنتیجه تفسیر بهتر اطلاعات به استفاده از روش آنالیز مولفههای اصلی تاکید کردند. در سال 2000 انجمن مهندسین آمریکا به علت انعطافپذیری شبکه عصبی در مدلسازی فرآیندهای غیرخطی، کاربرد این روش را در مباحث مربوط به مهندسیآب تایید کردند.
هال و همکاران [6] نشان دادند میزان همبستگی بین بارش واقعی و پیشبینی شده توسط شبکه عصبی برابر 95 درصد است. کاوازوس [7] با استفاده از شبکههای عصبی مصنوعی به پیشبینی بارش روزانه بالکان پرداختند و به این نتیجه رسیدند که شبکه عصبی مصنوعی ابزاری قدرتمند برای پیشبینی بارش روزانه می-باشد. بوستامی و همکاران [8] با استفاده از شبکههای عصبی مصنوعی به پیشبینی بارش و سطح آب بوداپ مالزی پرداختند. نتایج مطالعات ایشان نشان داد شبکههای عصبی مصنوعی قابلیت پیشبینی بارش را دارا میباشند.
میدا و همکاران [9] بارش ژاپن را با کمک شبکه عصبی مصنوعی پیشبینی کردند. ایشان نتایج به دست آمده را با پیشبینیهای سازمان هواشناسی ژاپن مقایسه کردند. نتایج آنان نشان داد شبکه عصبی مصنوعی ابزار سودمندی در پیشبینی بارش میباشد. سلیمانی [10] به پیشبینی بارشBرواناب در حوضهآبریز جراحی به کمک شبکه عصبی پرداختند. نتایج مطالعه وی حاکی از برتری تکنیک شبکه عصبی در پیشبینی رواناب رودخانه نسبت به مدل رگرسیون کلاسیک میباشد. احمدی [11] به این نتیجه رسید که روش شبکه عصبی مصنوعی میتواند برای بیشتر پارامترهای اقلیمی با بازه بلندمدت بهکار رود.
خلیلی [12] با استفاده از شبکه عصبی مصنوعی به بررسی بارش ماهانه مشهد پرداخت. نتایج کار وی نشان داد شبکه عصبی - مصنوعی به خوبی روند بارش ماهانه را در این ایستگاه پیشبینی میکند. در مطالعهای دیگر، داهامشه و آکسوی [13] بارش ماهانه مناطق خشک اردن را با استفاه از شبکه عصبی مصنوعی بررسی کردند. آنان به این منظور نتایج الگوریتم پسانتشار رو به جلو را با نتایج رگرسیون چندمتغیره مقایسه کردند.
ایشان به این نتیجه رسیدند که شبکههای عصبی مصنوعی نسبت به رگرسیون چند متغیره دارای نتایج بهتری است. با توجه به نقش مهم بارش در مسائل اقتصادی و اجتماعی، ضرورت پیشبینی بارش قابل توجیه است. هدف اصلی این مقاله پیشبینی بارش سالانه با استفاده از دادههای هواشناسی بارشی و غیربارشی به عنوان ورودی شبکه عصبی مصنوعی در شهر رشت میباشد.
-2 مواد و روشها
در برآورد بارش سالانه از اطلاعات هواشناسی ایستگاه سینوپتیک فرودگاه رشت به عنوان متغیرهای ورودی استفاده شد. این ایستگاه در ارتفاع-8/6 متری از سطح دریا با طول جغرافیایی 49/37 و عرض جغرافیایی37/19 قرار دارد. با توجه به آن که همبستگی ابزاری قدرتمند برای تحلیل دادهها و کشف روابط است [3] لذا از ضریب همبستگی پیرسون - r - 2 در سطح معنیداری 99 درصد در نرم افزار SPSS برای تعیین جهت و مقدار ارتباط بین متغیرهای مستقل و متغیر مجهول استفاده شد. واردکردن دادههای خام متغیرهای مستقل و وابسته باعث کاهش سرعت و دقت شبکه میشود.
بنابراین برای اجتناب از این امر و از طرفی، همارزش کردن دادهها ابتدا باید دادهها نرمال گردند.[14] نرم افزار NeuroSolotion با قابلیت اجرا در محیط ویندوز قادر به نرمالسازی اتوماتیک دادهها و مجهز به ابزار اعتبارسنجی متقابل است که در بررسی بهینهبودن آرایش کاربرد دارد. پس از کنترل کیفی دادهها و استاندارد کردن آنها از شبکه عصبی برای برآورد بارش استفاده شد.
استانداردسازی به منظور حداقل نمودن تغییرات وزن نرونها و پاسخ سریعتر نرونها به سیگنالهای ورودی است .[15] با انتخاب دادههای ورودی، طراحی شبکه عصبی از نوع پرسپترون چندلایه - - MLP3 بر اساس قانون یادگیری مومنتوم - M - 4، سیگموئید - Sig - 5 و لونبرگ مارکوات - LM - 6 انجام شد. برای آموزش شبکه در NeuroSolotion ،70 درصد دادهها به طور تصادفی برای آموزش شبکه و 30 درصد باقیمانده برای تست شبکه در نظر گرفته شد. برای تشخیص مناسبترین شبکه، باید شبکهها با معیارهای مختلف آزمون شوند تا مطلوبترین نوع شبکه برای هدف مورد نظر انتخابگردد.[3] در این تحقیق از مجذور میانگین مربعات خطا RMSE - 7 - ، میانگین خطای سوگیری - MBE - 8 و میانگین خطای مطلق - MAE - 9 با فرمولهای زیر استفاده گردید.
-3 جمعبندی و نتیجهگیری
برای مدلسازی بارش در ابتدا باید پارامترهای مناسب، ازبین اطلاعات هواشناسی غیربارشی انتخاب گردد. در این راستا، از بین مجموعه عوامل اقلیمی غیربارشی، پارامترهای مناسب با استفاده از آزمون همبستگی پیرسون انتخاب شد.
