پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 44 |
| تعداد شمارهها | 1,877 |
| تعداد مقالات | 15,278 |
| تعداد مشاهده مقاله | 43,732,220 |
| تعداد دریافت فایل اصل مقاله | 17,564,743 |
پیش بینی تبخیر با استفاده از شبکه عصبی مصنوعی و سیگنالهای اقلیمی در حوضه دز | ||
| تحقیقات جغرافیایی(توقف انتشار) | ||
| مقاله 19، دوره 30، شماره 117، اردیبهشت 1394، صفحه 261-274 اصل مقاله (608.83 K) | ||
| نویسندگان | ||
| امیر گندمکار1؛ مجید منتظری2؛ عنایت اله رحمتی* 3؛ مهران لشنی زند4 | ||
| 1دانشگاه آزاد اسلامی نجف آباد | ||
| 2دانشگاه اصفهان | ||
| 3دانشگاه آزاد اسلامی نجف اباد | ||
| 4مرکز تحقیقات کشاورزی لرستان | ||
| چکیده | ||
| 1- مقدمهتبخیر یکی از پدیده های چرخه آبشناسی است که در مطالعات آب از اهمیت ویژه ای برخوردار است. بخش زیادی از بارندگی سالانه در آب و هوای خشک و نیمه خشک که ویژگی آب و هوایی ایران است بدون درنگ به جو بر می گردد. بنابراین تخمین و پیش بینی تبخیر دربرآورد میزان آب مهم خواهد بود. حوضه دز در جنوب غرب ایران ، جایی که مهمترین کانونهای آبگیر دائمی کشور در آنجا واقع گردیده قرار دارد و تامین کننده آب پرآب ترین رودخانه کشوراست. براین ا ساس پیش بینی تبخیر به عنوان یکی از مهم ترین پدیده های هیدرولیکی نقش اساسی دربرنامه های مربوط به آب در این حوضه دارد . تبخیر تابع عوامل مختلف بوده و به علت نیاز به متغیرهای اقلیمی متفاوت و اثر متقابل این متغیرها بر همدیگر یک پدیده غیر خطی وپیچیده است و در مطالعه آن باید روشهای دقیقی را برای شبیه سازی بکار گرفت . بررسی ارتباط سیگنالهای اقلیمی در میزان تبخیر موضوعی است که می تواند پیش بینی آن را ممکن سازد . سیگنالهای اقلیمی نشانه هایی هستند که متغیرهای آب و هوایی را درمناطق مختلف تحت تاثیر خود قرار می دهند که از میان این سیگنالهای می توان به Nino ، NAO ، Enso ، SST و... اشاره کرد. برای پیش بینی میزان تبخیر براساس این سیگنالها مدلهای مختلفی وجوددارد . پژوهشگران شیوه های گوناگونی را به کار گرفته تا نتایج قابل قبولی را برای نقاط مختلف دنیا بدست آورند. از میان این شیوه ها مدل شبکه عصبی مصنوعی (ANN ) به دلیل آنکه دارای رفتار مشابهی با سیستم های نرون زیست شناسی می باشد علاقمندان زیادی دارد . این شبکه توان آنرا دارد که قانون حاکم برداده ها را استخراج نموده و همانند سازی وپیش بینی پارامترهای آب و هوایی را ممکن سازد. در این پژوهش تغییرات تبخیر در حوضه دز در ارتباط با سیگنالهای بزرگ مقیاس اقلیمی مورد بررسی قرار گرفته و ضمن تعیین میزان کارایی شبکه های عصبی مصنوعی و سیگنالهای اقلیمی برای پیش بینی تبخیر، مهمترین سیگنالهای اقلیمی مرتبط با تبخیر در این حوضه مشخص می گردد . 2- داده ها و روشها منطقه مورد مطالعه در بر گیرنده حوضه دز می باشد که خود بخشی از حوضه آبریز خلیج فارس است. این حوضه قسمتهایی از استانهای لرستان ، چهار محال و بختیاری ، خوزستان و مرکزی را شامل میشود.برای انجام پژوهش از آمار مربوط به تبخیر در چهار ایستگاه سینوپتیک داخل واطراف حوضه شامل : خرم آباد ، اراک ، دزفول و کوهرنگ استفاده گردیده است. طول دوره آماری 29 سال از 1983 تا 2011 برای ایستگاههای خرم آباد و اراک و 19 سال از 1992 تا 2011 برای ایستگاههای دزفول و کوهرنگ می باشد. آمار مربوط به سیگنالهای بزرگ مقیاس اقلیمی از سایت (Noaa) فراهم آمده که طول آن همزمان با سالهای آماری تبخیر است . در این پژوهش جهت شبیه سازی تبخیر در حوضه دز در آغاز شبکه مصنوعی مناسب ساخته شده که مراحل آن شامل : مشخص کردن نوع شبکه و تعیین تعداد نرون در هر لایه ، آموزش شبکه و آزمایش شبکه است . پس از آموزش شبکه عصبی ، نسبت به تعیین وزن داده ها بین مقادیر صفر و یک اقدام شده وتعداد نرون در لایه پنهان از طریق سعی و خطا مشخص می شود . هر ورودی در وزن متناظرش ضرب شده وسپس با یکدیگر جمع می شوند به این عملیات تابع جمع بندی می گویند . عدد حاصل از تابع جمع بندی به تابع تحریک فرستاده می شود تا آنرا به خروجی تبدیل کند . 3- یافته های پژوهش با استفاده از ماتریس همبستگی از میان 24 سیگنال بزرگ مقیاس اقلیمی ، برای هر ایستگاه تعداد 4 سیگنال که بیشترین ارتباط را با تبخیر دارند مشخص گردید. برای تعیین ساختار بهینه شبکه تعداد نرونها در لایه میانی از 5 تا 15 و نسبت یادگیری (LR ) را از 1/0 تا 3/0 تغییر داده ، جایی که ریشه میانگین مربعات خطا (RMSE ) کمترین مقدار و ضریب تبیین (R2 ) بیشترین مقدار را نشان می داد به عنوان ساختار بهینه تعیین شد ، که ساختار بهینه برای ایستگاه خرم آباد 7 نرون در لایه میانی و نسبت یادگیری 3/، ایستگاه دزفول 10 نرون در لایه میانی و نسبت یادگیری 2/ ، ایستگاه کوهرنگ 9 نرون در لایه میانی و نسبت یادگیری2/ ، ایستگاه اراک 8 نرون در لایه میانی و نسبت یادگیری 3/ می باشد . با مشخص شدن شبکه عصبی بهینه ، داده های مشاهده ای تبخیر و خروجی شبکه با هم مقایسه شده که نتیجه مقایسه بیانگر همبستگی بالای بین آنها در ایستگاههای حوضه است. میزان این همبستگی در ایستگاه خرم آباد 79 درصد ، دزفول 96 درصد ، کوهرنگ 88 درصد و اراک 72 درصد می باشد. به منظور پیش بینی تبخیر بین داده های مربوط به خروجی شبکه به عنوان متغیر وابسته و داده های مربوط به سیگنالهای اقلیمی به عنوان متغیر مستقل ، همبستگی گرفته که در هر 4 ایستگاه همبــستگی بــالایی را نـشــان می دهد ، به طوریکه در ایستگاه خرم آباد 5/99 درصد ، دزفول 3/98 درصد ، کوهرنگ 2/99 درصد و اراک 99 درصد می باشد. 4 - نتیجه گیری ساختار شبکه عصبی مصنوعی بهینه که دارای میزان ضریب تبیین بالا وریشه میانگین مربعات خطای کمتر می باشد ساختاری است که در ایستگاه خرم آباد 7 نرون در لایه میانی با نسبت یادگیری 3/ ، ایستگاه دزفول 10 نرون در لایه میانی با نسبت یادگیری 2/ ، ایستگاه کوهرنگ 9 نرون در لایه میانی با نسبت یادگیری 2/ و ایستگاه اراک 8 نرون در لایه میانی با نسبت یادگیری 3/ را دارد . مقایسه داده های مشاهده ای تبخیر و خروجی شبکه عصبی مصنوعی نشان دهنده همبستگی بالای داده های یاد شده است به طوری که میزان این همبستگی در ایستگاه خرم آباد 79 درصد ، دزفول 94 درصد ، کوهرنگ 80 درصد و اراک 72 درصد می باشد . برای پیش بینی تبخیر بین داده های خروجی شبکه و داده های مربوط به سیگنالهای اقلیمی مرتبط با تبخیر ، همبستگی گرفته که نتیجه این همبستگی برای ایستگاه خرم آباد 5/99 درصد ، دزفول 2/98 درصد ، کوهرنگ 8/98 درصد و اراک 99 درصد است. بنابراین با توجه به بالا بودن ضریب همبستگی بین خروجی شبکه و سیگنالهای اقلیمی ، با استفاده از معادله خط همبستگی می توان با دقت بالای 98 درصد نسبت به پیش بینی تبخیر برای ماههای سال بدون آمار تبخیر اقدام نمود . | ||
| کلیدواژهها | ||
| واژه های کلیدی : پیش بینی؛ تبخیر؛ سیگنالهای اقلیمی؛ شبکه عصبی مصنوعی؛ حوضه دز | ||
|
آمار تعداد مشاهده مقاله: 462 تعداد دریافت فایل اصل مقاله: 324 |
||