بخشی از مقاله
چکیده :
در این پژوهش به شبیهسازی تغییرات دمایی دشت جم به وسیله مدلهای نروفازی با استفاده از 2 تابع عضویت گوسی ساده - - gaussmf و زنگی شکل - gbellmf - پرداختهایم. ابتدا دادههای آماری را از ایستگاه سینوپتیک موجود در منطقه مطالعاتی بدست می-آوریم. دادههای آماری که در این پژوهش استفاده شدهاند عبارتاند از رطوبت ، سرعت باد، حداقل دما ، حداکثر دما و دمای میانگین. همچنین طول دورههای آماری باید کافی باشد. پس از این که تمامی آمارها را همزمان کردیم آنها را نرمالیزه میکنیم. یعنی آنها را بین بازه [0,1] قرار میدهیم.
با این کار 2 هدف را دنبال میکنیم، اولاٌ ، زمان آموزش شبکه کاهش مییابد و ثانیاٌ نتایج بهبود پیدا میکنند. سپس از % 90 دادهها جهت آموزش شبکه و % 10 دادهها جهت تست مدل استفاده میکنیم. معیار ارزیابی جهت انتخاب مدل برتر بین 2 تابع عضویت گوسی ساده و زنگی شکل ، ضریب همبستگی - R - و مجذور میانگین مربعات خطا - RMSE - میباشد. مدلی که دارای ضریب همبستگی بیشتر و مجذور میانگین مربعات خطای کمتری داشته باشد به عنوان مدل برتر انتخاب میشود.
دادههای آماری دمای حداقل، حداکثر، میانگین، سرعت باد و رطوبت دشت جم از مهرماه 1368 شروع و تا شهریور ماه 1389 ادامه دارد که مجموعاٌ 21 سال یا به عبارت دیگر 252 ماه میباشد.
-1 مقدمه :
تغییرات معنی دار دمای کرهی زمین یا گرمایش جهانی به عنوان مهمترین نمودهای تغییراقلیم در قرن حاضر مورد توجه قرار گرفته، بسیاری از مسائل و مشکلات محیطی مانند سیل، طوفان، خشکسالی، تکثیر بیش از حد حشرات موذی و ...... همگی در تغییر اقلیم کره زمین به ویژه افزایش دما ریشه دارند در این میان، استفاده از روشهای تخمین و پیشبینی در صورتی که از دقت کافی برخوردار باشند، میتواند در برنامهریزیها و مدیریت صحیح مفید واقع شوند.
روشهای متداول در پیشبینی عناصر اقلیمی، بر مبنای بحث وبررسی بر روی نقشههای پیشیابی به دست آمده بر مبنای دادههای ایستگاههای زمینی، ماهوارهای و مانند آنها استوار است. دادههای مذکور پس از پردازش، به صدور پیش بینی منجر میشوند. این روش، به دلیل انسان محور بودن،احتمالاً خالی از اشکال نخواهد بود. در ضمن، خطای پیشبینی نیز به همین دلیل میتواند دامنه بالایی داشته باشد. پیشبینی دما از سیستمهای غیرخطی و پیچیده و فاقد مدل ریاضی است که به دلیل تغییر پذیر بودن سیستم با زمان، روشهای معمول پیش-بینی، امکان پیش بینی را غیر ممکن میسازد.
سهیلیخواه و تشنهلب - 1383 - با استفاده از یک ساختار نوین پویای شبکه عصبی- فازی به پیشبینی حداکثر دمای روزانه پرداختند و با الگوریتم پیشنهادی خود، دقت پیشبینی را بالاتر بردند. جین و همکاران - - 2003 با استفاده از شبکههای عصبی مصنوعی، دمای هوا را در منطقه جنوب جورجیا برای یک تا دوازده ساعت آینده پیشبینی کرد.
کسکین و همکاران 2003 - - از منطق فازی برای پیش بینی مقدار رواناب با استفاده از دادههای بارش در رودخانه دیم در منطقه مدیترانه میانی استفاده کردند. نتایج به دست آمده حاکی از آن بوده که پیش بینی های انجام شده توسط منطق فازی با داده های تاریخی همبستگی خوبی داشته و به طور کلی، نتایج مناسب و رضایت بخش بوده است.
رحمان و موهاندس - 2008 - نشان دادند که شبکههای عصبی قادرند تابش خورشیدی شهراَبهای عربستان سعودی را از طریق دما و رطوبت نسبی دوره آماری 1998 تا 2002 برآورد نمایند. آکیل و همکاران - 2007 - در پژوهشی به بررسی امکان استفاده ازشبکه عصبی فازی به جای روشهای استاتیکی رگرسیون موجود در پیشبینی جریان از یک منبع در حوضه رود پرداختند. برای بررسی کارایی شبکه عصبی فازی از دادههای رود سیتاروم در کشور اندونزی استفاده گردید.
نتایج مطالعه نشان داد که شبکه عصبی مصنوعی مقادیر معیارهای خطای و درصد خطای مطلق را نسبت به روشهای رگرسیون خطی معمول، کاهش میدهد. سنکال و کوللی - 2009 - با استفاده از الگوریتمهای یادگیری انتشار برگشتی بهبودپذیر، گرادیان مزدوج مقیاس شده - SCG - ، و تابع محرک تانژانت سیگموئیدی در شبکههای عصبی مصنوعی و نیز با بهرهگیری از دادههای ماهوارهای، تابش خورشید را در سطح ترکیه پیش-بینی کردند. سامانی و همکاران - 1387 - به پیش بینی جریان رودخانه با استفاده از سیستم استنتاج فازی پرداخته اند.
در تحقیق حاضر، با استفاده از سیستم استنتاج فازی و بر اساس دبی، درجه حرارت و بارش ماهانه، سری پیوسته ای از دبی جریان رودخانه و هر یک از متغیرهای مذکور تشکیل و تاثیر هر یک از متغیرهای فوق در توالی های زمانی گذشته بر روی میزان دبی جریان رودخانه در ماه های آینده بررسی شد و میزان دبی رودخانه در ماه های آینده پیش بینی شد.
-2 مواد و روشها :
- 2-1 منطقه مطالعاتی :
محدوده مطالعاتی جم واقع در استان بوشهر به صورت دشتی کشیده با عرض کم در میان ارتفاعات عمدتاً آهکی واقع شده است. منطقه مورد مطالعه در فاصله 200 کیلومتری جنوب شرق شهرستان بوشهر در استان بوشهر قرار گرفته است. شهرستان جم منطقه اصلی تمرکز جمعیت در محدوده مطالعاتی میباشد. این محدوده بین طولهای جغرافیایی 25 15 تا 52 25 شرقی و عرضهای 27 44 تا 27 54 شمالی قرار گرفته و از نظر وسعت، مساحتی حدود 130 کیلومتر مربع از سطح استان بوشهر را در برگرفته که حدود 64/19 کیلومتر مربع آنرا دشت و حدود 65/81 کیلومتر مربع آنرا ارتفاعات تشکیل داده است حداکثر و حداقل ارتفاع منطقه به ترتیب 1300و 578 و متوسط ارتفاع محدوده 755/63 متر میباشد.
حوضه آبریز محدوده مطالعاتی جم از نظر تقسیمات کشوری جز شهرستان جم به شمار می رود که از شمال به محدوده مطالعاتی ریز، از غرب به محدوده مطالعاتی دیر و کنگان از شرق به محدوده مطالعاتی دارالمیزان و از جنوب به محدوده مطالعاتی گاوبندی محدود می شود.
شکل - - 1 - موقعیت محدوده مطالعاتی در استان بوشهر
-3 روش کار :
در این پژوهش همانطور که اشاره شد با استفاده از 2 تابع عضویت گوسی شکل و زنگی شکل در مدلهای نروفازی به پیشبینی تغییرات دمایی دشت جم میپردازیم و در نهایت پساز ارزیابی و مقایسه این 2 تابع عضویت با استفاده از پارامترهای آماری چون ضریب همبستگی - R - و ریشه میانگن مربعات خطا - - RMSE، الگوی برتر مشخص می-گردد.
-3-1 شبکههای فازی عصبی- استنتاجی تطبیقی :
ANFIS قابلیت خوبی در آموزش، ساخت و طبقهبندی دارد و همچنین دارای این مزیت است که اجازه استخراج قوانین فازی را از اطلاعات عددی یا دانش متخصص میدهد و به طور تطبیقی یک قاعده- بنیاد میسازد. علاوه بر این، میتواند تبدیل پیچیده هوش بشری به سیستم های فازی را تنظیم کند. مشکل اصلی مدل پیش بینیANFIS احتیاجنسبتاً زیاد به زمان برای آموزش ساختار و تعیین پارامترها میباشد.
به منظور ساده سازی، فرض میکنیم که سیستم استنتاجی مورد نظر دو ورودی x و y و یک خروجی z دارد .برای یک مدل فازی تاکاگی-سوگنو درجه اول، میتوان یک مجموعه قانون نمونه را با دو قانون اگر-آنگاه فازی به صورت زیر بیان کرد:
✓ قانون اول: اگر x برابر A1 و y برابرB1 باشد آنگاه
1 = 1 + 1 + 1
✓ قانون دوم: اگرx برابرA2 و yبرابرB2 باشد آنگاه
2 = 2 + 2 + 2
که pi ، qi و - i=1,2, - ri پارامترهای خطی در بخش تالی مدل فازی تاکاگی- سوگنو درجه اول هستند. ساختارANFIS شامل پنج لایه می-شود
شکل - 2 - یک نمونه ساختار مدل ANFIS
✓ لایه اول، گرههای ورودی: 1 هر گره از این لایه، مقادیر عضویتی که به هر یک از مجموعه های فازی مناسب تعلق دارند، با استفاده از تابع عضویت تولید میکنند.
که x و y ورودیهای غیرفازی به گره i و Ai و Bi - کوچک، بزرگ و... - ، برچسبهای زبانی هستند که به ترتیب با توابع عضویت مناسب Bi و Ai مشخص میشوند. در اینجامعمولاً از فازی سازهای گوسی و زنگی شکل استفاده میشود. باید پارامترهای این توابع عضویت که به عنوان پارامترهای مقدماتی در این لایه شناخته می شوند، مشخص شوند.
✓ لایه دوم، گرههای قاعده:2 در لایه دوم، عملگر " و" - AND - به کار برده میشود تا خروجی - قوه اشتعال - 3 که نمایانگر بخش مقدم آن قانون است، بدست آید. قوه اشتعال به مقدار درجهای که بخش مقدم یک قانون فازی برآورده شده،گفته میشود و به تابع خروجی آن قانون شکل میدهد. از این رو، خروجیهای O2,k این لایه، حاصل ضرب درجات مربوط به لایه اول هستند.
✓ لایه سوم، گرههای متوسط:4 هدف اصلی در لایه سوم، تعیین نسبت هر قوه اشتعال i امین قانون به مجموع همه قوه اشتعال قوانین میباشد. در نتیجه ̅ به عنوان قوه اشتعال نرمال شده به دست میآید:
✓ لایه چهارم، گرههای نتیجه:5 تابع گره چهارمین لایه توزیع i امین قانون را به کل خروجی محاسبه میکند و به صورت زیر تعریف می شود که ̅ خروجی iامین گره از لایه قبلی است . ضرایب این ترکیب خطی بوده، همچنین مجموعه پارامترهای بخش تالی مدل فازی تاکاگی-سوگنو نیز می باشند.
✓ لایه پنجم، گرههای خروجی:6 این تک گره، خروجی کلی را با جمع کردن همه سیگنالهای ورودی محاسبه میکند. بنابراین، در این لایه فرآیند غیر فازی سازی، نتایج هر قانون فازی را به خروجی غیرفازی تغییر شکل میدهد.
این شبکه بر اساس یادگیری با نظارت، آموزش داده میشود. بنابراین هدف ما آموزش شبکههای تطبیقی است که قادر به تخمین توابع نامشخص حاصل از اطلاعات آموزش بوده و مقدار دقیقی برای پارامترهای بالا پیدا کنند.
