مقاله کاربرد مدل M5 در برآورد تبخیر- تعرق مرجع در ایستگاههای شیراز و کرمانشاه

word قابل ویرایش
18 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 مدل M5 در برآورد تبخیر- تعرق مرجع در ایستگاههای شیراز و کرمانشاه

چکیده
دراین تحقیق توانایی مدل درختی M5 برای تخمین تبخیر- تعرق مرجع در دو ایستگاه هواشناسی شیراز و کرمانشاه مورد ارزیابی قرار گرفت . دادههای مورد استفاده شامل متغیرهای متوسط دمای هوا ، ساعت آفتابی، بارش، دمای نقطه شبنم ، رطوبت نسبی، سرعت باد و فشار بخار واقعی روزانه بود. در این تحقیق دو روش پنمن -مانتیث و هارگرویز-سامانی به منظور مقایسه انتخاب و عملکرد مدل درختی M5 به عنوان روشی جدید برای برآورد تبخیر-تعرق بررسی شد. نتایج نشان داد که در هر دو ایستگاه، مدل درختی M5 در تخمین تبخیر- تعرق پتانسیل نسبت به هر دو روش دارای عملکرد مناسبی بود اما توانایی آن در تخمین تبخیر- تعرق به روش پنمن -مانتیث (ایستگاه شیراز: ، ایستگاه کرمانشاه: ) نسبت به روش هارگرویز- سامانی(ایستگاه شیراز: ) ایستگاه کرمانشاه: ) بالاتر شد. آنالیز حساسیت نشان داد در روش پنمن -مانتیث در ایستگاه شیراز متغیرهای متوسط دمای هوا، ساعت آفتابی، دمای نقطه شبنم ، متوسط سرعت باد و در ایستگاه کرمانشاه دمای هوا، ساعت آفتابی ، متوسط سرعت باد، رطوبت نسبی و دمای نقطه شبنم ، بیشترین تاثیر را داشتند.
واژه های کلیدی: آنالیز حساسیت ، پنمن -مانتیث ، داده کاوی، مدل درختی، هارگرویز- سامانی

مقدمه
روش استاندارد مورد استفاده برای تعیین تبخیر- تعرق گیاه مرجع ، روش لایسیمتری است که در صورت عدم دسترسی، از روشهای تجربی استفاده میشود. برخی روشهای تجربی از اصول فیزیکی می- کنند و بعضی از روشهـای آماری و از همبستـگی آمـاری بین تبخیر- تعرق و چند متغیر محدود استفاده میکنند (شارما، ١٩٨۵). عملـکرد روشهای تجـربی در شـرایط اقلیـمی مختـلف ارزیـابی شـده اسـت (آلـن و شـرایط اقلیمی مختلف ارزیابی شده است (آلن و همکاران، ١٩٩٨؛ کاتول و همکاران،١٩٩٢؛ آماتیا و همکاران،١٩٩۵؛ اسمیت و همکاران، ١٩٩۶؛ ونتورا وهمکاران، ١٩٩٩؛ برنجینا و گاویلان، ٢٠٠۵). نتایج تحقیقات نشان داد که معادله پنمن – مانتیث به عنوان یک معادله استاندارد جهانی برای تخمین ETo٢ برتر شد (آلـن و همـکاران، ١٩٩٨). در مـعادله پنمن – مانتیث به دادههای دمای بیشینه وکمینه هوا، رطوبت بیشینه وکمینه (یا فشاربخار واقعی )، سرعت باد در ارتفاع ٢ متری و تابش خورشید(یا ساعات آفتابی ) نیاز است . درحالیکه داده دمای هوا در بیشتر ایستگاههای هواشناسی سراسر جهان قابل دسترس است ، سایر متغیرها همیشه در دسترس نیستند(دروگرز و آلن ،٢٠٠٢). از طرفی خطاهای تصادفی و یا سیستماتیک در متغیرهای هواشناسی درتخمین ETo، باعث خطاهای مشهودی در برآورد می شود(میر وهمکاران،١٩٨٩). در این شرایط ، گزینه دیگر استفاده از روشهای تخمین ETo است که فقط به داده دما اکتفا می کنند. لیکن در چنین شرایطی معادله ی تجربی (هارگریوز و سامانی ،١٩٨٢) به عنوان یکی از روشهای مناسب برای مناطق با داده کم که عمدتا داده روزانه دما موجود باشد، پیشنهاد شد. معادله ی هارگرویز- سامانی فقط به داده دمای بیشینه و کمینه و تابش برون – زمینی نیاز دارد و چون تابش برونزمینی می تواند بصورت تئوری محاسبه شود(دروگرز و آلن ،٢٠٠٢)، تنها متغیر مورد نیاز، دمای هوا است . تبخیر- تعرق به روش هارگرویز-سامانی را می توان بصورت روزانه محاسبه کرد، هر چند در مقیاس هفتگی و ماهیانه نتایج بهتری بدست آمد (جنسن و همکاران، ١٩٩٠؛ چویسنل و همکاران، ١٩٩٢؛ دروگرز و آلن ،٢٠٠٢؛ هارگریوز و آلن ،٢٠٠٣).
در سالهای اخیر از تکنیک های بسیاری به منظور برآورد متغیرهای هواشناسی استفاده شد که اغلب این تکنیک ها داده محور بوده و سعی نمودند با داشتن اطلاعاتی در مورد روابط بین دادهها دریک سری زمانی بلند مدت به تشخیص الگوی آن متغیر پرداخته تا بتوانند به نحوی متغیر مورد نظر را که دسترسی به آن در برخی مناطق میسر نیست برآورد نمایند. از جمله آنها میتوان به شبکه های عصبی مصنوعی اشاره نمود. معمولا شبکه های عصبی آموزش داده میشوند تا یک ورودی خاص به هدف خروجی خاصی برسد. شبکه براساس مقایسه مقدار خروجی و هدف مقایسه میشود تا زمانیکه جمع مربع اختلافات بین مقادیر هدف و خروجی حداقل گردد.
رهیافت دیگری که اخیرا بر اساس تکنیک های دادهکاوی برای تخمین تبخیر- تعرق مرجع ارائه شده است ، مدل درختی M5 بود که در مطالعات منابع آب به کارگرفته شد. بیشتر کاربردهای مدل درختی M5 در منابع علمی عمدتا ناظر بر پیش بینی است ، اما این روش برای مسائل طبقه بندی نیز عملکرد رضایت بخشی داشت (پال،٢٠٠۶).
دادهکاوی (DM١) اغلب بصورت فرآیند استخراج اطلاعات معتبر، از پیش تعیین شده و قابل فهم برای پایگاههای بزرگ داده تعریف می شود تا تصمیمات تجاری را بهبود داده و بهینه نماید(براها و شیلویسی،٢٠٠٢) در سایر تعاریف ، دادهکاوی بصورت تشخیص ساختار در داده است که این ساختار، الگوها، مدلهای آماری یا پیش بینی داده و روابط بین بخش های داده را طراحی می نماید (فیاد و اتوروسامی، ٢٠٠٢). داده – کاوی در طیف وسیعی از رشته های علوم اجتماعی و زیست محیطی برای پیش بینی بکارگرفته شده و طی سال – های اخیر دادهکاوی در تحلیل سایر انواع دادههای علمی مانند بیوانفورماتیک ، نجوم و پزشکی نیز تجربه شد (لی و لی شو،٢٠٠۴).
ترزی و همکاران (٢٠٠۵) از روشها دادهکاوی برای مدلسازی تبخیراز تشت استفاده نمودند و با بکارگیری الگوریتم ژنتیک دمای هوا، دمای آب و رطوبت نسبی را بعنوان موثرترین عوامل دمایی گزارش نمودند.
آنها با استفاده از الگوریتم های MRules۵،Kstar وجدول تصمیم مدلهایی را توسعه داده و نشان دادند که مدل Kstar در مقایسه با سایر مدلها نتایج بهتری داشت . ترزی در سال ٢٠٠٧ با بکارگیری دادههای هواشناسی دریاچه ی اگیردیر واقع در ترکیه متغیرهای دمای هوا، دمای آب، تابش خورشید و رطوبت نسبی را به عنوان عوامل مؤثر بر تبخیر از تشت تعیین نمود. در این مطالعه ، از الگوریتم – های دادهکاوی جدول تصمیم ، Kstar، M5،Rules M5، شبکه عصبی و روشهای رگرسیونی استفاده شد و مقایسه نتایج آنها با مقادیر اندازهگیری شده تشت تبخیر روزانه نشان داد که الگوریتم M5 بهترین عملکرد را در تخمین تبخیر از تشت داشت .
پال و دسوال (٢٠٠٩) از مدل درختی M5 برای مدلسازی تبخیر- تعرق مرجع در ایستگاه دیویس کالیفرنیا استفاده کردند و توانایی این مدل را با روشها پنمن – مانتیث و هارگریوز-سامانی کالیبره شده مقایسه نمودند.
نتایج نشان داد که مدل درختی M5 در پیش بینی تبخیر- تعرق مرجع در مقایسه با پنمن -مانتیث و هارگریوز سامانی کالیبره شده همبستگی خوبی دارد. علاوه بر این ، مهم ترین متغیرهای موثر بر پیش بینی تبخیرتعرق مرجع با استفاده از این مدل شامل تابش خورشید، متوسط دما ، رطوبت نسبی و سرعت باد بود.
پژوهش حاضر با هدف ارزیابی توانایی مدل درختی M5 در تخمین تبخیر- تعرق مرجع با استفاده از روشهای پنمن -مانتیث و هارگریوز-سامانی بود و موثرترین متغیرهای موثر در تخمین تبخیر- تعرق مرجع با استفاده از آنالیز حساسیت در دوایستگاه شیراز و کرمانشاه را تعیین نمود
مواد و روشها
در این پژوهش از داده روزانه ایستگاه هواشناسی شیراز ( به ارتفاق ۱۴۸۸ متر و عرض جغرافیایی و طول جغرافیایی ) و ایستگاه هواشناسی کرمانشاه (به ارتفاع ١٣١٨.۶ متر و عرض جغرافیایی و طول جغرافیایی ) طی دوره ٢٠٠٢-١٩٩۵ استفاده شد. سری داده استفاده شده شامل متوسط دمای هوا (C)، دمای نقطه شبنم (C)، متوسط رطوبت نسبی (%)، ساعات آفتابی (ساعت )، متوسط سرعت باد (متربرثانیه )، بارش (میلی – متر)، فشار بخار واقعی (میلی بار) و تبخیر- تعرق (میلی متر بر روز) محاسبه شده از رابطه ی پنمن -مانتیث و هارگرویز-سامانی بود. از %٧٠ داده برای آموزش مدل با استفاده از مدل درختی M5 و از ٣٠% سری داده برای صحت سنجی مدل استفاده گردید. به منظور اجرای مدل از نرم افزار دادهکاوی وکا١ نسخه ٣.۶.۴ استفاده شده است .
این نرمافزار، یک واسط همگون برای بسیاری از الگوریتم های یادگیری متفاوت، فراهم کرده است که از طریق آن روشهای پیش پردازش، پس پردازش و ارزیابی نتایج طرحهای یادگیری روی همه مجموعه های داده موجود، قابل اعمال است . نرم افزار وکا، پیاده سازی الگوریتم های مختلف یادگیری را فراهم میکند و به آسانی میتوان آنها را به مجموعه داده خود اعمال کرد.
برای تخمین تبخیر-تعرق مرجع ، پنج متغیر ورودی شامل متوسط دما، ساعات آفتابی ، متوسط رطوبت نسبی ،متوسط سرعت باد و فشاربخار واقعی استفاده شد.
ضمنا هر گونه داده با مقادیر گمشده از سری داده حذف گردید.
لازم به ذکر است در صورت دسترسی به داده های لایسیمتری معتبر و منتشر شده، این داده ها به عنوان مبنای مقایسه مورد استفاده قرار میگرفت که قطعا بر دقت تحلیل ها می افزود.
معادلات ١و٢ به ترتیب مربوط به روشهای پنمن – مانتیث فائو۵۶ و هارگریوز-سامانی می باشد.

که ETo، تبخیرتعرق گیاه مرجع ، Rn، تابش خالص روزانه ،G ، شار حرارتی روزانه ی خاک ،Ta ، متوسط دمای هوای روزانه در ارتفاع ٢متری U2متوسط سرعت باد در ارتفاع ٢ متری ،es ،فشاربخار اشباع فشاربخار واقعی شیب فشاربخار اشباع در مقابل منحنی دما ،ثابت سایکرومتری . در این مطالعه و ea با استفاده از معادلات ارائه شده بوسیله آلن وهمکاران(١٩٩٨)محاسبه شدند. شارحرارتی خاک (G) در دوره زمانی محاسبه ٢۴ ساعت صفر درنظرگرفته شد(آلن و همکاران،١٩٩٨). Tn,Tx,RH برای محاسبه ی es,ea و استفاده شدهاند. تابش روزانه خورشید(Rs) با استفاده از فرمول آنگستروم که تابش خورشید را به تابش برونزمینی و نسبت مدت روشنایی خورشید مرتبط میکند محاسبه گردید.
روش هارگرویز-سامانی از طریق معادله زیر تعریف شد(هارگریوز،١٩٩۴):

که۰ ET، تبخیرتعرق گیاه مرجع محاسبه شده بوسیله معادله هارگریوز تابش برونزمینی معادل آب محاسبه شده طبق آنچه توسط آلن و همکاران(١٩٩٨) محاسبه شده و دمای بیشینه ، کمینه و متوسط دمای روزانه است .
مدل درختی M5
الگوریتم M5 رایج ترین الگوریتم از خانواده درخت های تصمیم گیری میباشد. مدل درختی M5 یک الگوریتم پیش بینی عددی میباشد( ژانگ و تسای، ٢٠٠٧).
مدلهای درختی همانند درخت های رگرسیونی برای داده – های زیاد موثرمیباشند. به هر حال مدلهای درختی معمولا بسیار کوچک تر و دقیق تر از درخت های رگرسیونی میباشند (کوئینلن ،١٩٩٢). در ابتدا الگوریتم مدل درختی M5 با تقسیم کردن فضای نمونه ، بصورت بازگشتی یک درخت رگرسیونی میسازد. این تقسیم – سازی برای کمینه کردن تغییرات زیرمجموعه های درونی مقادیر از ریشه تا گره و از مسیر شاخه ها صورت میگیرد.
تغییرات بوسیله ی انحراف معیار مقادیری که از ریشه به هر گره رسیدهاند، با محاسبه ی کاهش خطای مورد انتظار که از آزمایش هرصفت در آن گره حاصل میشود، اندازه – گیری میشود. صفتی که میزان کاهش خطای مورد انتظار را بیشینه کند، انتخاب میشود. فرآیند جداسازی در صورتی که مقادیر خروجی تمامی نمونه هایی که به گره مورد نظر میرسند تغییرات ناچیزی داشته باشد و یا تعداد کمی از نمونه ها باقی بمانند، متوقف میشود. کاهش انحراف معیار با استفاده از رابطه زیر محاسبه میشود.

که T بیانگر نمونه هایی است که به گره میرسد؛ Ti بیانگر مجموعه هایی هستند که از تقسیم کردن گره براساس صفت انتخابی به دست آمده – اند؛ sd بیانگر انحراف معیار است . پس از ایجاد درخت ، برای هر گره داخلی، یک مدل رگرسیون خطی چندگانه ساخته میشود. این مدل براساس دادههای وابسته به آن گره و تمام صفاتی که در زیر درخت با ریشه آن گره مورد استفاده قرار گرفته اند، ایجاد میشود. در مرحله بعد، مدلهای رگرسیون خطی، با کنارگذاشتن صفاتی که حذف آنها باعث کاهش میانگین خطا میشود، سادهسازی میشوند. بعد از این سادهسازی، هر زیر درخت برای انجام عملیات هرسکردن مورد بررسی قرار میگیرد. اگر خطای تخمین زده شده برای مدل خطی در ریشه زیر درخت ، کوچک تر یا مساوی میانگین خطای درخت باشد، زیردرخت هرس میشود.
شکل ١ نحوهی انشعاب مدل را بصورت شماتیک نشان میدهد

بعد از عملیات هرسکردن، ناپیوستگی زیادی بین مدلهای خطی مجاور در برگهای درخت هرس شده، ایجاد میشود. در فرآیند هموارسازی در M5، مدل نهایی در یک برگ از ترکیب کردن مدل بدست آمده در آن برگ با مدلهای موجود در مسیر ریشه تا برگ مربوطه بدست میآید. آزمایش های انجام شده توسط Wang و Witten نشان داده است که هموارسازی به میزان زیادی دقت پیش گوییها را بهبود میبخشد(بنکدار و شهیدی،١٣٨٨).
همانطور که قبلا بیان شد، یک مدل خطی برای هر گره داخلی، برای فرآیند هموارسازی مورد نیاز است .قبل از هرسنمودن یک مدل برای هر گره درخت هرس نشده محاسبه می شود. مدل شکل کلی زیر را دارد:

که a1,a2 …ak. مقادیر صفات می باشند.

این فقط قسمتی از متن مقاله است . جهت دریافت کل متن مقاله ، لطفا آن را خریداری نمایید
word قابل ویرایش - قیمت 12700 تومان در 18 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