بخشی از مقاله
*** اين فايل شامل تعدادي فرمول مي باشد و در سايت قابل نمايش نيست ***
برآورد میزان تبخیر از تشتک با استفاده از الگوریتم شبکه های عصبی مصنوعی
چکیده
اغلب دریاچهها و مخازن، نقاط تمرکز فرآیندهای هیدرولوژیکی صورت گرفته در حوضه آبریزشان بوده و در بسیاری از مناطق دنیا با محدود شدن منابع آب شیرین، مدیران بخش آب به برآورد این شارهای هیدرولوژیکی برای منابع آبی به شدت کوچک احتیاج دارند. با تخمین دقیق میزان تبخیر از سطوح آزاد آبی می توان با تحلیل حساسیت تبخیر نسبت به هر یک از پارامترهای موثر بر میزان آن به راه های کاهش میزان تبخیر اندیشید و از مقدار آب صرفهجویی شده، که قابل توجه نیز می باشد، استفاده مفید نمود. در این مقاله با استفاده از دو الگوریتم شبکه عصبی پرسپترون چند لایه و شبکه عصبی تابع پایه شعاعی و با بهره گیری از آمار ایستگاه تبخیرسنجی سد گتوند بر روی رودخانه کارون، میزان تبخیر از تشتک پیش بینی شده است. پارامترهای ورودی به مدل ها عبارتند از مقادیر روزانه دمای ماکزیمم و مینیمم، سرعت باد، متوسط رطوبت نسبی و کمبود فشار بخار اشباع در بازه آماری سال های آبی 1382-83 تا .1385-86 تعداد بهینه گره های لایه میانی در هر دو الگوریتم با استفـاده از رویکرد سعی و خطا مشخص گردیده و عملکرد مدل های توسعه یافته بر اساس پارامترهای مختلف خطا مورد سنجش قرار گرفتند که نتایج بیانگر توانایی مناسب هر دو الگوریتم در پیش بینی میزان تبخیر از تشتک می باشد. حال آنکه الگوریتم شبکه عصبی تابع پایه شعاعی با دقت بالاتری میزان تبخیر را تخمین می زند. تحلیل حساسیت مدلها نشان دادکه به ترتیب کمبود فشار بخار اشباع، دمای ماکزیمم، دمای مینیمم و متوسط رطوبت نسبی موثرترین پارامترها در میزان تبخیر بوده و اثر سرعت باد در این ایستگاه بسیار ناچیز میباشد. همچنین تنها با در نظرگرفتن دمای ماکزیمم می توان به دقت قابل قبولی در پیش بینی دست یافت.
واژگان کلیدی: تبخیر از تشتک، شبکه عصبی پرسپترون چند لایه، شبکه عصبی تابع پایه شعاعی، سد گتوند، رودخانه
کارون
.1 مقدمه
بسیاری از مناطق دنیا دارای آب و هوای خشک و نیمه خشک میباشد. اغلب دریاچه ها، آبگیرها و مخازن نقاط تمرکز فرآیندهای هیدرولوژیکی صورت گرفته در حوضه آبریزشان بوده و در بسیاری از مناطق دنیا، با محدود شدن منابع آب شیرین، مدیران بخش آب به برآورد این شارهای هیدرولوژیکی برای منابع آبی به شدت کوچک احتیاج دارند. این شارهای هیدرولوژیکی، شامل تبخیر، همچنین به فرآیندهای اکولوژیکی، کیفیت آب و تفریحات آبی مرتبط می باشند .[1]
تبخیر فرآیندی است که در نتیجه آن آب از خاک و توده های آب موجود در کره زمین به اتمسفر باز می گردد. اهمیت تبخیر از آنجا آشکار میشود که سالانه میلیون ها مترمکعب آب های شور و شیرین موجود در دریاها و دریاچه های طبیعی و دریاچههای مصنوعی سدها و . . . تبخیر یافته و به هدر می روند. انجام فرآیند تبخیر در دریاچه ها و مخازن سبب تغییر در فرآیند گردش هیدرولوژیکی آب در طبیعت آن منطقه میشود. این موضوع باعث تغییر شدید در اکوسیستم های دریاچه و افزایش شدید در غلظت آب نمک دریاچه می گردد. تبخیر، مولفه لازم در هر ارزیابی بیلان آبی برای برنامه های مختلف منابع آب، طراحی، بهره برداری و مباحث مدیریتی شامل هیدرولوژی، کشاورزی، جنگلداری، آبیاری، پیش بینی جریان رودخانه، و مطالعه و مدلسازی اکوسیستم دریاچه است. این پدیده در میان مولفه های چرخه هیدرولوژیکی، شاید دشوارترین آن ها به دلیل فعل و انفعالات پیچیده میان مولفه های سیستم خاک- گیاه-اتمسفر میباشد .[2] تلفات تبخیر باید در طراحی سیستم های مختلف آبیاری و منابع آبی مورد توجه قرار گیرد. در مناطق با بارندگی کم، این تلفات سهم قابل توجهی از بیلان آب را برای دریاچه ها و مخازن داشته و می تواند باعث افت ارتفاع سطح آب شود .[3]
شوری مخازن و دریاچه های خشک دنیا نیز عمدتا از آورد شور و تبخیر ناشی میشود. برای مثال دریاچه ارومیه در کشورمان، به عنوان دومین دریاچه آب شور دنیا، در پی وقوع خشکسالی های سالیان اخیر به واسطه افزایش دما و کاهش بارندگی، در هر سال به طور متوسط بین سه تا چهار میلیارد متر مکعب تبخیر دارد. این تبخیر که به طور متوسط در هر سال میزان 2/1 متر را به خود اختصاص می دهد در مقایسه با عمق متوسط دریاچه در سال های اخیر ( 6 متر) رقم بالایی است. لذا هر 5 سال یکبار، آب دریاچه توسط فرآیند تبخیر تخلیه میشود در حالی که املاح آن در دریاچه باقی می ماند. با توجه به عمر دریاچه ارومیه، عامل تبخیر می تواند یکی از علل اصلی شور شدن دریاچه باشد .[4]
با تخمین دقیق میزان تبخیر از سطوح آزاد آبی می توان با تحلیل حساسیت تبخیر نسبت به هر یک از پارامترهای موثر بر میزان آن به راه های کاهش میزان تبخیر اندیشید و از مقدار آب صرفهجویی شده، که قابل توجه نیز می باشد، استفاده مفید نمود. معمولترین و مهمترین فاکتورهای موثر بر میزان تبخیر عبارتند از تابش خورشیدی، دمای خاک و دمای هوا، رطوبت نسبی، کمبود فشار بخار، فشار اتمسفری، و سرعت باد. نکته قابل توجه این که عوامل فوق به طور مستقل عمل نمی کنند؛ برای مثال باد تغییر دهنده رطوبت است و با کاهش رطوبت، میزان تبخیر افزایش می یابد. در همین حال دمای هوا بر رطوبت و دمای سطحی تاثیرگذار است .[5]
توسعه یک رویکرد جایگزین برای تخمین میزان تبخیر بر مبنای متغیرهای هواشناسی با قابلیت اندازه گیری و تخمین راحتتر ضروری به نظر میرسد. یکی از رویکردهای اخیر، استفاده از الگوریتم شبکه های عصبی مصنوعی است که انعطافپذیری و توانایی بهتری نسبت به مدل های تجربی گذشته دارند .[6] جدول 1 نمونهای از مطالعات محققین در مناطق مختلف جهان در پیش بینی میزان تبخیر با استفاده از الگوریتم شبکه های عصبی مصنوعی را نشان می دهد. ملاحظه میشود که در استفاده از الگوریتم شبکه های عصبی مصنوعی، تمرکز اکثر محققین بر روی روش شبکه پرسپترون چند لایه بوده است. در این مقاله با استفاده از دو الگوریتم شبکه عصبی پرسپترون چند لایه و شبکه عصبی تابع پایه شعاعی و با بهره گیری از آمار ایستگاه تبخیرسنجی سد گتوند بر روی رودخانه کارون شامل مقادیر روزانه دمای ماکزیمم و مینیمم، سرعت باد، متوسط رطوبت نسبی و کمبود فشار بخار اشباع در بازه آماری سال های آبی 1382-83 تا 1385-86، میزان تبخیر از تشتک پیش بینی شده است.
.2 شبکه های عصبی مصنوعی
دو الگوریتم بسیـار متـداول و پر کاربـرد در حوزه شبکـه های عصبـی مصنوعـی، شبکه عصبی پرسپترون چند لایه
(Multi -Layer Perceptron, MLP)و شبکه عصبی تابع پایه شعاعی (Radial Basis Function Network, RBFN) است. جریان اطلاعات در شبکه عصبی پرسپترون چند لایه به این صورت است که ابتدا نرون های ورودی با مقادیر مقیاس گذاری شده فعال میشوند. در طول آموزش برای هر رکورد که به شبکه معرفی میشود، اطلاعات جهت یافتن یک پیش بینی از لایه خروجی، به صورت رو به جلو به شبکه تغذیه می گردد. این پیش بینی با مقدار خروجی ثبت شده در بخش آموزش مقایسه و تفاوت میان مقدار پیش بینی و خروجی واقعی رو به عقب در شبکه منتشر میشود تا مقادیر وزن های ارتباطی تعدیل و پیشبینی الگوهای مشابه بهبود یابد .[11]
ساختار شبکه عصبی تابع پایه شعاعی مشابه شبکه پرسپترون چند لایه شامل سه لایه ورودی، میانی و خروجی است. تفاوت اصلی آن این است که نرون های لایه میانی با توابع پایه شعاعی مشخص میشوند و نرون های لایه خروجی نیز لزوما از تابع فعالیت خطی استفاده می کنند. ساختار لایه میانی یا گیرنده، شامل نرون هایی برای بیان خوشه های الگوهای ورودی میباشد. این خوشه ها براساس توابع پایه شعاعی یا توابع فاصله میان مرکز تابع پایه شعاعی و بردار مقادیر ورودی تعریف میشوند. در این الگوریتم، فضا توسط دایره یا ابرکره هایی با مرکز و شعاع مشخص تقسیم می گردد. نرونها به فاصله نقاط از مرکز، حساسیت نشان می دهند. سطح پاسخ یک نرون شعاعی منفرد، به صورت یک تابع گوسی است که بیشینه آن در مرکز بوده و به اطراف نزول می یابد. شبکه تابع پایه شعاعی، یک لایه میانی با نرون های شعاعی دارد که هر کدام یک سطح پاسخ گوسی را مدل می کنند. از آنجا که این توابع غیر خطیاند، نیازی به بیش از یک لایه میانی نبوده و تعداد مناسب نرون های شعاعی اغلب برای مدل کردن هر تابعی کافی خواهد بود. آموزش یک شبکه RBFN معمولا در دو مرحله شامل توسعه توابع پایه در لایه میانی و سپس تعیین وزن های ارتباطی میان نرون های لایه میانی و خروجی انجام می گردد .[12] ارتباطات بین نرون های ورودی و نرون های میانی مشابه مدل K-means آموزش میبینند. به ویژه وزن های میانی تنها با لایه ورودی آموزش می بینند و لایه خروجی برای اولین فاز آموزش نادیده گرفته میشود. تنها پس از این که وزن های میانی برای یافتن خوشه ها در داده های ورودی بهینه شدند، ارتباطات میان لایه میانی و نرون های خروجی جهت تولید پیشبینی ها آموزش داده میشوند. در طول آموزش، رکوردها مانند پرسپترون چند لایه به شبکه معرفی میشوند. نرونهای میانی، میزان فعالسازی خود را براساس اندازه تابع پایه شعاعی خود و میزان همپوشانی دلخواه، محاسبه می کنند.
شبکه های تابع پایه شعاعی نسبت به شبکه های پرسپترون چند لایه دارای مزیت های زیر هستند:
• توانایی تقریب هر تابع غیر خطی را تنها با یک لایه میانی دارند که این امر مسئله تصمیم گیری در رابطه با تعداد لایه های میانی را از بین میبرد.
• با استفاده از روش های معمول مدل سازی خطی، تبدیل ساده در لایه خروجی را می توان به بهترین شکل بهینه کرد. این روش ها علاوه بر سرعت زیاد، مشکلاتی از قبیل مینیمم محلی که بلای مرحله آموزش شبکه های پرسپترون چند لایه است را نیز ندارند.
• این شبکه ها چندین برابر سریع تر از پرسپترون ها آموزش می بینند.
در شبکه های عصبی پرسپترون چند لایه تعیین تعداد گره ها و لایه های میانی معمولا به روش سعی و خطا مشخص می شود. بطور کل شبکه های با تعداد گره های میانی کمتر مطلوب ترند، زیرا معمولا این شبکه ها توانایی تعمیمپذیری بیشتر و مشکلات بیش برازش کمتری دارند. از طرفی اگر تعداد گره ها برای تشخیص رفتار نهان داده ها، به اندازه کافی نباشد، می تواند در عملکرد شبکه تاثیر نامطلوب داشته باشد .[13]
.3 آمادهسازی داده ها
منطقه مطالعاتی انتخابی، ایستگاه سد گتوند با کد 21243 و ارتفاع 75 متر از سطح دریا و مختصات جغرافیایی 32 درجه و 16 دقیقه شمالی و 48 درجه و 49 دقیقه شرقی در حوضه آبریز رودخانه کارون می باشد. میانگین سالانه بارندگی در این ایستگاه، 453 میلیمتر است. رژیم بارش منطقه، مدیترا هنای است؛ به این مفهوم که فصل خشک منطبق بر تابستان بوده و فصل بارندگی از اواخر آبان ماه شروع و تا اواخر اردیبهشت ادامه دارد. موقعیت جغرافیایی این ایستگاه در شکل 1 مشخص است.
از میان پارامترهای اندازه گیری شده، مقادیر روزانه دمای ماکزیمم، دمای مینیمم و سرعت باد به صورت مستقیم برداشت شد. رطوبت نسبی میانگین با توجه به اندازه گیری رطوبت نسبی در ساعات 6 ، 12 و 18 هر روز محاسبه گردید. کمبود فشار بخار اشباع نیز با استفاده از مقادیر دمای ماکزیمم، مینیمم و رطوبت نسبی میانگین با توجه به روابط زیر به دست آمد :[14]
در روابط فوق T دما رطوبت نسبی (%)، ea فشار بخار اشباع فشار بخار واقعی (KPa)، و VPD کمبود فشار بخار اشباع (KPa) است.
کیفیت داده های ایستگاه سد گتوند به روش تعیین میزان همبستگی آن با ایستگاه های مجاور (سد شهید عباسپور و شوشتر) بررسی شد. همچنین همـگنـی داده های ایستـگــاه انتخابی با استفــاده از روش منحنی جــرم مضـاعف (Double Mass Curve) مورد سنجش قرار گرفت. همبستگی میان میزان تبخیر از تشتک و سایر پارامترها در ایستگاه سد گتوند در جدول 2 نشان داده شده است که به ترتیب دمای ماکزیمم، کمبود فشار بخار اشباع، دمای مینیمم و رطوبت نسبی میانگین بیشترین ارتباط خطی را با میزان تبخیر از تشتک تبخیر دارند. همچنین رابطه خطی میان سرعت باد و میزان تبخیر دیده نمیشود.
بررسی مقادیر ثبت شده پارامترهای مختلف نشان می دهد که با افزایش دما میزان تبخیر افزایش می یابد و برعکس. همچنین با افزایش دما رطوبت نسبی کاهش یافته و کاهش رطوبت نسبی نیز باعث افزایش میزان تبخیر میشود. از طرفی افزایش دما و کاهش رطوبت نسبی سبب افزایش کمبود فشار بخار اشباع شده که مجددا موجبات تبخیر بیشتر را فراهم میآورد.
برای توسعه مدل های مختلف، داده های این ایستگاه به دو بخش مجموعه آموزش و مجموعه ارزیابی تقسیم شدند؛ به این ترتیب که داده های روزانه در بازه 1382/07/02 تا 1385/06/31 شامل 1095 مورد ثبتی در مجموعه آموزش و داده های روزانه در بازه 1385/07/01 تا 1386/06/31 شامل 365 مورد ثبتی در مجموعه ارزیابی قرار گرفتند. مشخصات آماری پارامترهای مختلف در مجموعههای آموزش و ارزیابی در جدول 3 آمده است.
