پیش بینی تبخیر با استفاده از شبکه عصبی مصنوعی و سیگنالهای اقلیمی در حوضه دز

تبخیر 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 روش های 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. داده ها و 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 ایستگاه های خرم آباد و اراک و 19 سال از 1992 تا 2011 برای ایستگاه های 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. 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 ایستگاه های 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 همبستگی بالایی را نشان 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.
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 ماه های سال بدون آمار تبخیر اقدام نمود.