بخشی از مقاله

*** اين فايل شامل تعدادي فرمول مي باشد و در سايت قابل نمايش نيست ***

برآورد تبخیر روزانه با مدل تلفیقی عصبی - موجکی
چکیده
تبخیر، یکی از فرآیند های مهم و تاثیرگذار طراحی و مدیریت سیستم های آبیاری می باشد و در منابع آب به عنوان یکی از پدیده های تاثیر گذار محسوب می شود. برای انجام این تحقیق از آمار ایستگاه هواشناسی کرمان از سال 1992 تا سال 2007 میلادی استفاده شد. مقادیر روزانه ی سرعت باد، رطوبت نسبی، دمای متوسط و تابش به عنوان پارامترهای ورودی و مقادیر روزانه تبخیر از تشت تبخیر به عنوان پارامتر خروجی از مدل در نظر گرفته شدند برای یافتن بهینه ترین مدل، شبکه عصبی را با مدل محاسباتی موجک تلفیق کردیم. نتایج بیانگر دقت قابل قبول مدل پیشنهادی بود که مقادیر R_ ، RMSE و MAE به ترتیب 0,91، 1,29، 0,97 برای بهینه ترین مدل با تابع موجک D4 در بخش تست، می باشدکه بیانگر بهبود نتایج در مدل تلفیقی است.

واژههای کلیدی: تبخیر، شبکه عصبی مصنوعی، مدل تلفیقی عصبی- موجکی.

مقدمه
محاسبه و برآورد تبخیر یکی از مواردی است که می تواند بر مدیریت منابع آب به طور مستقیم تاثیر گذار باشد چراکه تبخیر بر میزان ذخیره آب در خاک موثر است. فرآیند تبخیر در دوشکل تبخیر از سطوح آزاد آب و تبخیر از سطح خاک اتفاق می افتد. تبخیر فرآیند فیزیکی بوده و رابطه مستقیمی با عوامل جوی دارد. ارتباط بین تبخیر و پارامترهای هواشناسی توسط محققین زیادی مورد بررسی قرار گرفته است ( کهن و همکاران(( 2002، برانسرت و پارلانژ ( (1998 و خلیلی(.((1372 نتایج محقیق بیانگر وجود ارتباط بین تبخیر و پارامترهای هواشناسی در هر منطقه با اقلیمی خاص می باشد. روابط ارائه شده جهت تخمین تبخیر از سطح آزاد با در نظر گرفتن پارامترهای هواشناسی به عنوان ورودی، دارای تنوع زیادی می باشد و دقت این روابط در مناطق مختلف متفاوت بوده و نیاز است تا در هر منطقه واسنجی شوند(وان زیل و همکاران،.(1989 امروزه به کار گیری روابط ریاضی و تجربی در علوم مهندسی رواج گسترده ای یافته لذا محقیق با اصلاح روابط تجربی موجود و نیز کشف روابط جدید سعی در یافتن رابطه ای ساده و البته دقیق دارند تا بتوان از میزان وقت گیر بودن محاسبات کاست و به دقت نتایج افزود. روابط موجود جهت محاسبه و برآورد تبخیر پیچیده بوده لذا تحقیق در این زمینه ضروری می باشد. پارامترهای زیادی بر پدیده تبخیر اثر گذار می باشد که از جمله موثرترین این پارامترها را می توان سرعت باد، درجه حرارت، رطوبت نسبی و تابش نام برد. جهانبخش اصل و همکاران(( 1380 روش های ترکیبی، دمایی، تابشی و همبستگی چندگانه و رطوبتی برای ایستگاه تبریز را محاسبه کردند و در مقایسه با سایر روش ها نتایج حاکی از تطابق بالای روش کریستینسن-هارگریوز نسبت به سایر روش ها با روش تشت تبخیر بود. روش های آماری رایج همچون رگرسیون ساده و چند متغیره و مدل ARMA برای پیش بینی سری های زمانی هستند که جز مدل های خطی بوده و در آنها فرض بر بی تغییر بودن داده هاست لذا اگر داده ها متغیر باشند این مدل ها توانایی کمی از خود نشان می دهند. از اینرو ضرورت دارد که مدل هایی با کارایی بیشتر برای پیش بینی پدیده های غیر خطی و پیچیده ای چون تبخیر ارائه گردند. شبکه های عصبی مصنوعی طی دهه اخیر کاربرد گسترده ای در علوم مختلف از جمله کشاورزی داشته است(لک و همکاران، (1999 که به عنوان ابزاری کارآمد برای پیش بینی و برآورد محسوب می شود. در طراحی شبکه های عصبی همواره مشکل مواجه شدن با ساختارهای پیچیده وجود دارد که سبب پدید آمدن شبکه ای با معماری سنگین می شود. در این ارتباط کولیبالی و همکاران (2000) روش الگوریتم توقف آموزش را ارائه دادند. در این روش داده ها بایستی به سه دسته آموزش، صحت یابی و تست تقسیم می شوند که داده های بخش صحت یابی برای جلوگیری از مشکل فوق برازشی شبکه کاربرد دارند.

از جمله پیش پردازش هایی که در سری های زمانی مورد استفاده قرار می گیرد می توان به تبدیل موجک اشاره کرد. تبدیل موجک به طور گسترده ای برای تحلیل و پیش بینی سری های زمانی با استفاده از شبکه های عصبی مصنوعی مورد استفاده قرار می گیرند. از جمله موارد استفاده تلفیقی از شبکه عصبی و موجک می توان به تحقیقات لابات و همکاران برای مدلسازی بارش-رواناب در فرانسه و مطالعات وانگ و دینگ برای مدلسازی سطح آب زیر زمین اشاره کرد.
لذا در این مقاله سعی بر این بود که نقش پیش پردازش داده های ورودی مدل شبکه عصبی با روش موجک برای مدلسازی تبخیر مورد بررسی قرار گیرد.

مواد و روش ها
-1 منطقه مطالعاتی
این تحقیق با بهره گیری ازآمار مربوط به ایستگاه هواشناسی شهر کرمان با طول و عرض جغرافیایی به ترتیب 30,29 درجه شمالی و 57,06 درجه شرقی و ارتفاع از سطح دریا 1755 متر انجام شده است. طبق آمار هواشناسی موجود این منطقه دارای میانگین دمای سالانه 15,8 درجه سانتیگراد و میانگین بارش سالانه 155 میلیمتر می باشد. آمار هواشناسی روزانه مربوط به سالهای 1992 تا 2007 میلادی مورد استفاده قرار گرفت. از آمار هواشناسی ایستگاه مذکور آمار مربوط به پارامترهای باد، درجه حرارت، روطوبت نسبی و تابش مورد استفاده قرار گرفتند و آمار مربوط به تبخیر ازتشتک تبخیر به طور روزانه قرائت شده و در مدل استفاده شدند.

-2 شبکه های عصبی مصنوعی
شبکه های عصبی مصنوعی از جمله مدل های محاسباتی هستند که می توانند رابطه بین ورودی ها و خروجی های یک سیستم فیزیکی را حتی اگر پیچیده و غیر خطی باشد، با شبکه ای از گره ها که همگی به هم متصل می باشند تعیین کنند. ساختار شبکه های عصبی که به آن معماری شبکه گفته می شود، به نحوی است که نرون ها در دسته هایی که لایه نامیده می شوند مرتب می گردند. معماری معمول برای این شبکه ها شامل سه لایه : ورودی، پنهان و خروجی می باشد. لایه ورودی داده ها را در شبکه توزیع می کند، لایه پنهان داده ها را پردازش و لایه خروجی نتایج را به ازای ورودی های مشخص، استخراج می کند و هر شبکه می تواند چندین لایه داشته باشد. در این تحقیق از شبکه عصبی پرسپترن چند لایه با یک لایه پنهان استفاده شد و برای تحلیل داده ها و تخمین میزان تبخیر از مدل شبکه عصبی مصنوعی پسخور چند لایه با الگوریتم پس انتشار خطا استفاده شد و توابع انتقال در لایه پنهان و خروجی به ترتیب تابع سیگموئیدی و خطی انتخاب شدند.

-3 تبدیل موجک
یک موج به صورت یک تابع نوسان کننده تعریف می شود، یک تابع سینوسی مثالی از یک موج می باشد. برای تحلیل آن گونه توابع، آنالیز فوریه به کار گرفته می شود که می توان گفت آنالیز فوریه یک آنالیز موجی است که در آن توابع یا سیگنال ها بر حسب توابع سینوسی یا کسینوسی بسط داده می شوند. به همین ترتیب یک موجک یک موج کوچک است که انرژی آن در ناحیه کوچکی متمرکز شده و ابزاری مناسب برای بررسی پدیده های ایستا وگذرا می باشد.

موجک نوسان حداقلی دارد که به سمت صفر نزول می کند و این نزول باید در جهات مثبت و منفی واقع در دامنه اش محدود شود که این خصوصیت موجب می شود که موجک انعطاف پذیر بوده و مانند یک تابع رفتار کند. تبدیل موجک بـه دو صـورت گسسته و پیوسته کاربرد دارد که در اینجا از تبدیل گسسته استفاده شد. از جمله مزایای تبدیل گسسته موجکی می تـوان بـه سرعت و دقت آن اشاره کرد در حالیکه تیدیل پیوسته موجکی، زمانبر بوده و چون در این نوع تبدیل ضرایب مـوجکی در هـر مقیاس ممکن محاسبه می گردند، مقادیر زیاد اطلاعات را تولید می کند. لذا برای رفع این مشکل تبدیل موجک فقط برای زیر مجموعه ای از مقیاس ها و موقعیت ها انجام می شود. با اعمال تبدیل مـذکور داده هـای اولیـه مـوجکی شـده و بـه دو دسـته تقریب و جزئیات تقسیم می شوند. تقریب دارای فرکانس و نشان دهنده روند کلی داده های موجود می باشد که در محاسـبات هم نقش مهمی دارند. جزئیات دارای فرکانس بالا و پریود کم بوده و نشان دهنده تغییرات محدود در داده ها هستند.
موجک ها با اسامی و اشکال مختلف می باشند که در اغلب موارد مطالعه شده در زمینه مهندسی منابع آب از موجک های هار، دابیچی و سیملت استفاده شده است که در این تحقیق هم این توابع مورد استفاده قرار گرفته و نتایج مورد مقایسه قرار گرفتند.

در متن اصلی مقاله به هم ریختگی وجود ندارد. برای مطالعه بیشتر مقاله آن را خریداری کنید