بخشی از مقاله
چکیده
مدل سازی دقیق فرآیندهای هیدرولوژیکی از قبیل بارش- رواناب میتواند اطلاعات مهمی از یک حوضه آبریز برای برنامه ریزی شهری و محیط زیست،کاربری اراضی، مدیریت منابع آب و سیلاب فراهم کند.اخیراً در این راستا، مدلهای مختلف جعبه سیاه برای شبیه سازی چنین پدیده پیچیدهای به کاررفته اند که در این مقاله شبیه سازی فرآیند بارش -رواناب روزانه با گام های زمانی مختلف در ایستگاه پل آنیان واقع در حوضه آبریز سد بوکان با استفاده از مدلهای غیرخطی شبکه عصبی و سیستم استنتاج عصبی فازی تطبیقی انجام شده است.
مقایسه مدلهای مختلف با استفاده از دو پارامترآماری ضریب تبیین و جذر میانگین مربعات خطا انجام شده که بهترین مدل برای ایستگاه مورد مطالعه مدل سازی با روش شبکه عصبی فازی تطبیقی می باشدکه این نتیجه بیانگراین است که تلفیق مدل سازی غیر خطی درشبکه عصبی با توابع عضویت منطق فازی تا حدود بیشتری قادربه مدل کردن شرایط هیدرولوژیکی حوضه می باشد.
-1 مقدمه
از مهمترین و تاثیرگذارترین فرآیندهای هیدرولوژیکی، فرآیند تبدیل بارش به رواناب است. برحسب استفاده از روشهای گوناگون برای ساده سازی فرآیند، انواع مدلها برای مدل سازی بارش -رواناب توسعه یافته و مییابند. در این راستا مدلهای جعبه سیاه درمدل سازی پدیدههای پیچیده ازجمله بارش- رواناب بطور گسترده ای مورد استفاده قرار میگیرند. یکی از پر کاربردترین و موفق ترین مدلهای هوش مصنوعی، مدل شبکه عصبی مصنوعی میباشد که به طور گسترده ای در مدل سازی و پیش بینی سریهای زمانی غیر خطی فرآیندهای هیدرولوژیکی مورد استفاده قرار گرفته است .[1] به طور کلی مزایای مدلهای ANN 1 را میتوان به صورت زیر بیان نمود:
با توجه به خاصیت جعبه سیاه بودن در استفاده از این مدل ها نیازی به دانش قبلی در مورد ماهیت فیزیکی فرآیند نمی باشد و بدلیل اعمال یک فیلتر غیرخطی به نام تابع محرک بر روی نرونها، دارای ماهیت غیر خطی بوده و قابلیت اعمال ورودیهای چند متغییره با ویژگیهای مختلف را دارا میباشند.[2] مقالات متعددی به کاربردهای موفق ANN در مدلسازی فرآیندهای هیدرولوژیکی به ویژه بارش-رواناب اشاره کرده اند:
ضمن بررسی کاربردهای شبکه های عصبی مصنوعی در شاخههای مختلف هیدرولوژی، شبکه عصبی مصنوعی را ابزاری قدرتمند برای مدلسازی بسیاری از فرآیندهای غیرخطی هیدرولوژی مانند بارش-رواناب، سیلاب، آب زیرزمینی، شبیهسازی کیفیت آب و بارش معرفی کرده است.
از سوی دیگر مدلها و دادههای استفاده شده برای شبیه سازی فرآیندهای هیدرولوژیکی معمولا شامل عدم قطعیت می باشند، به طور مثال میانگین مقادیر نقطهای بارش به عنوان میزان کل بارش برای کل حوضه در شبیه سازی فرآیندهایی مثل بارش - رواناب در نظر گرفته می شود که استفاده از مقدار میانگین بارش به جای مقادیر نقطهای واقعی می تواند منبع ایجاد عدم قطعیت در فرآیند مدل سازی باشد. لذا ترکیب دو مدل ANN و سیستم فازی تحت عنوان مدلANFIS 1 می تواند به عنوان گزینهای جهت برخوردار شدن از مزایای هر دو مدل مطرح شود.[2] مدل ANFIS کاربرد های متنوعی در مدل سازی های هیدرولوژیکی از جمله مدل سازی بارش- رواناب داشته است
-2 مواد وروشها
در این مطالعه از داده های بارش ورواناب ایستگاه پل آنیان - عرض36-12’وطول - 46-26‘ واقع بر زرینه رود استفاده گردید. حوضه آبریز زرینه رود در مختصات جغرافیایی 45o- 45' الی 47o -15' طول شرقی و 35o-30' الی 36o-45' عرض شمالی ودر شمال غرب ایران و در جنوب دریاچه ارومیه گسترده شده است . حوضه آبریز زرینه رود در بالادست سد زرینه رود - سد بوکان - از چهار زیر حوضه اصلی بنامهای سقز چای ، جیغاتوچای، خرخره چای و ساروق چای تشکیل میگردد.
بر روی رودخانه جیغاتوچای دو ایستگاه پل قشلاق و پل آنیان فعال می باشند. در شکل - 1 - حوضه جیغاتو چای و موقعیت ایستگاه پل آنیان در آن نشان داده شده است. در توسعه و ایجاد مدلها ازداده های روزانه 21سال آماری از سالهای 1370الی 1390 استفاده شد. در تقسیم بندی داده ها، جهت آموزش از 70 درصد داده ها یعنی حدود 15 سال و برای تست مدلها از 30 درصد داده ها یعنی حدود6 سال استفاده گردید در این تحقیق قبل از آموزش و آزمایش مدلها مجموعه داده های موجود با استفاده از رابطه - 1 - بین مقادیر ./9 و ./1 نرمال سازی گردید.[9] سپس این مدلها با استفاده از داده های نرمال شده آموزش و در نهایت مقایسه نتایج مدلهای مختلف با مقادیر واقعی نیز با استفاده از همین داده های نرمال شده انجام گرفت.
دراین رابطه Ni مقادیرنرمال شده ، Xi مقادیر واقعی مشاهداتی ، Xmax حداکثر مقادیر واقعی و Xmin حداقل مقادیر واقعی می باشند.
شکل:1 نقشه DEM حوضه آبریز جیغاتو چای و موقعیت ایستگاه پل آنیان
برای انتخاب بهترین ورودی برای مدل های مختلف 4 ترکیب انتخاب شد و این امربرای پیدا کردن میزان وابستگی رواناب یک روز آینده به بارش و رواناب چند روز قبل انجام گردید.ترکیب ورودی ها به صورت زیر می باشد.
که در ترکیب های فوق Rt, Qt به ترتیب رواناب وبارش مشاهداتی در زمان t می باشند. خصوصیات آماری داده های مورد استفاده در جدول - - 1 ارائه شده است .
جدول:1 مشخصات آماری دادههای بارش و رواناب روزانه پل آنیان
یک مدل مناسب لازم است نتایج قابل قبولی از نظر ضریب تبیین - DC 1 - و جذر میانگین مربعات خطا - RMSE2 - در هردو مرحله آموزش و صحت سنجی نشان دهد. بنابراین برای ارزیابی کارایی مدل در این مطالعه، از روابط - 2 - و - 3 - جهت مقایسه عملکرد مدلهای مختلف استفاده شد :
در این روابط N، Qobsi، Qcomi و obs به ترتیب تعداد مشاهدات، دادههای مشاهداتی، دادههای محاسباتی و میانگین دادههای مشاهداتی میباشد. DC معیاری است که برای تعیین دقت تخمین مدل، با مقایسهی دادههای مشاهداتی و محاسباتی کاربرد دارد. RMSE هم معیاری است که به صورت معمول برای تعیین اختلاف بین دادههای مشاهداتی که مدل به وسیله آنها ایجاد شده و نتایج محاسباتی که توسط مدل تولید شده استفاده میشود. مقدار بیشتر - تا یک - برای DC و مقدار کمتر برای RMSE در هر دو مرحله آموزش و صحت سنجی نشان دهنده عملکرد بهتر مدل میباشد.
-2-1 شبکه عصبی مصنوعی - - ANN
در شکل گرفتن علم شبکه های عصبی مصنوعی از شبکه های عصبی بیولوژیکی الهام گرفته شده است.شبکه های عصبی مصنوعی با پردازش روی داده های تجربی، دانش یا قانون نهفته در ورای دادهها را به ساختار شبکه منتقل می کنند و در واقع بر اساس محاسبات روی داده های عددی یا مثالها، قوانین کلی را فرا می گیرند. به همین دلیل به این سیستمها هوشمند گفته می شود.
این سیستمها در مدل سازی ساختار نروسیناپتیکی مغز بشر می کوشند. در شبکههای مصنوعی پردازش اطلاعات در اجزایی بنام نرون صورت میگیرد و اطلاعات بین نرونها از طریق ارتباطات موجود بین آنها رد و بدل میگردد. هر یک از این ارتباطات، مشخصه یا وزنی مختص به خود دارد که در اطلاعات انتقال یافته از یک نرون به نرون دیگر ضرب میشوند. هر یک از نرون ها برای محاسبه خروجی خود، یک تابع محرکرا که معمولاً غیر خطی است، به ورودیهایش - جمع اطلاعات وزن دار شده - اعمال مینمایند. در شکل - 2 - فرم کلی یک شبکه عصبی نشان داده شده است.
