تُعتبر القدرة على التقدير والتنبّؤ الدقيق بالظواهر الهيدرولوجيّة من العوامل الأساسيّة في تنمية وإدارة الموارد المائيّة، ووضع الخطط المائيّة المستقبليّة وفق سيناريوهات التغيّرات المناخيّة المختلفة، ويعد التبخّر نتح أحد أهم العوامل في الدورة الهيدرولوج
يّة ومن أكثرها تعقيداً، كما أنّ القدرة على التنبّؤ الدقيق بقيم هذه الظاهرة هي من العوامل المهمّة في العديد من تطبيقات الموارد المائيّة.
لذلك تهدف هذه الدراسة إلى التنبّؤ بقيم التبخر نتح المرجعي الشهري (ET0) في محطّة حمص المناخيّة، في المنطقة الوسطى من الجمهوريّة العربيّة السوريّة، باستخدام الشبكات العصبيّة الاصطناعيّة (ANNs) ونظام الاستدلال الضبابي (FIS)، بالاعتماد على البيانات المناخيّة المتاحة، والمقارنة بين نتائج هذه النماذج.
تضمّنت البيانات المستخدمة 347 قيمة شهريّة لدرجة حرارة الهواء (T)، الرطوبة النسبيّة(RH) ، سرعة الرياح(WS) وعدد ساعات السطوع الشمسي(SS) (من تشرين الأول 1975 وحتى كانون الأول 2004)، في حين حُسبت قيم التبخّر نتح المرجعي الشهري باستخدام طريقة بنمان مونتيث، والتي هي الطريقة المرجعيّة المعتمدة من قبل المنظمة الدوليّة للزراعة والأغذية التابعة للأمم المتحدة (FAO)، واستُخدمت هذه القيم كمخرجات للنماذج.
أظهرت نتائج الدراسة أنّ نماذج الشبكات العصبيّة الاصطناعيّة ذات التغذية الأماميّة والانتشار العكسي للخطأ تمكّنت من التنبّؤ بقيم التبخّر نتح المرجعي الشهري بنجاح، حيث أعطت النماذج قيماً منخفضة لجذر متوسّط مربّعات الأخطاء (RMSE) ومرتفعة لمعاملات الارتباط(R) ، وكذلك تبيّن أنّ استخدام ترتيب الشهر كمُدخل إضافي يُحسّن من دقّة التنبّؤ للشبكات العصبيّة الاصطناعيّة.
أظهرت النتائج أيضاً القدرة الجيّدة لنماذج الاستدلال الضبابي على التنبّؤ بقيم التبخّر نتح المرجعي الشهري، حيث تبيّن أن عدد ساعات السطوع الشمسي هي أكثر العوامل المناخيّة المنفردة تأثيراً في عمليّة التنبّؤ، حيث بلغ معامل الارتباط 97.71% وجذر متوسّط مربّعات الأخطاء 18.08 mm/month خلال مرحلة الاختبار للنموذج، في حين كان عدد ساعات السطوع الشمسي وسرعة الرياح أكثر عاملين مؤثرين سويةً على عمليّة التنبّؤ بمعامل ارتباط 98.55% وجذر متوسّط مربّعات أخطاء 12.49 mm/month خلال مرحلة الاختبار للنموذج.
أظهر هذا البحث الموثوقيّة العالية لاستخدام الشبكات العصبيّة الاصطناعيّة ونظام الاستدلال الضبابي في التنبّؤ بقيم التبخر نتح المرجعي الشهري، مع وجود أفضليّة بسيطة للشبكات العصبيّة الاصطناعيّة، والتي يمكن أن تضيف ترتيب الشهر إلى طبقة المدخلات الأمر الذي يزيد من دقّة التنبّؤات. توصي هذه الدراسة بالتوسّع في استخدام تقنيّات الذكاء الاصطناعي في نمذجة الظواهر المعقّدة واللاخطيّة المتعلقة بالموارد المائيّة.
التبخر هو أحد العناصر الأساسية للدورة الهيدرولوجية و ضروري للعديد من الدراسات مثل الموازنة المائية, تصميم أنظمة الري و إدارة الموارد المائية, و يتطلب تقديره معرفة العديد من العناصر المناخية. على الرغم من أن هناك صيغاً تجريبيَّةً متوفرةً لتقدير التبخر
, و لكن أداء هذه الصيغ غير دقيق بسبب الطبيعة المعقدة لعملية التبخر. لذلك فإن هذا البحث يهدف لوضع نموذج شبكة عصبية صنعيَّة للتنبؤ بالتبخر الشهري في منطقة حماه باستخدام ثلاثة عناصر مناخية هي درجة الحرارة, الرطوبة النسبية و سرعة الرياح. من أجل ذلك فقد بُني النموذج باستخدام مكتبة nntool-box إحدى أدوات الـ MATLAB. استُخدمت الشبكة العصبية الصنعيَّة ذات التغذية الأمامية و الانتشار العكسي للخطأ بطبقة خفية واحدة لبناء النموذج. و تم تقييم شبكات مختلفة بعدد مختلف من العصبونات و بتغيير دوال التفعيل المستخدمة في كل طبقة. و استُخدم جذر متوسط مربع الخطأ (RMSE) لتقييم دقة النموذج المُقترح. و قد بينت الدراسة أن الشبكة العصبية الصنعيَّة ذات الهيكلية (3-14-1) هي الأفضل للتنبؤ بالتبخر في منطقة حماه حيث كانت قيمة RMSE تساوي (21.5mm/month) و قيمة R2 مساوية (0.97).
توصي الدراسة باستخدام أنواع أخرى من الشبكات العصبية لتقدير التبخر.
يعتبر التبخر- نتح أحد المكونات الهامة في الدورة الهيدرولوجية، و تعد القدرة على
التنبؤ الدقيق بقيم هذه الظاهرة من العوامل الهامة في العديد من تطبيقات الموارد المائية.
تهدف هذه الدراسة إلى التنبؤ بقيم التبخر نتح المرجعي الشهري, باستخدام الشبكات العصبية الاصطناعية و نظام الاستدلال الضبابي.
يتضمن هذا البحث دراسة عن المستحلبات الطاقية المستخدمة كوقود بديل في
محطات توليد الطاقة الحرارية أو في محركات الاحتراق الداخلي، و آلية تشكيل
المستحلبات الطاقية ، و عملية التكيف حيث تتشكل الفقاعات في السوائل نتيجة للتدويم
بسرعات دوران عالية، و تمت ل
أول مرّة في سوريا دراسة مفصلة لشروط استقرار هذا
النمط من المستحلبات الطاقية (فيول – ماء).
و في هذا البحث تمت دراسة الخصائص الفيزيائية و الفيزيائية الحرارية عند تسخين
قطرات مستحلب الوقود الطافي حتى إتمام عملية التبخر بشكل كامل ، و قد أظهرت
الدراسة أن تشكل الفقاعات الغازية يؤدي إلى ظهور قوى توتر سطحي تؤثر على سرعة
عملية التبخر، و أن انفجار هذه الفقاعات داخل قطرات الوقود المرذذة يؤدي إلى تشتت
مضاعف لهذه القطرات داخل حجرة الاحتراق.
الهدف من هذا البحث, هو تبسيط طريقة الحصول على التبخر-نتح الكامن الذي يشكل سقفا" للاحتياجات المائية للمحاصيل, بالاعتماد على بعض الصيغ التجريبية و هي صيغة تورك (Turc,1967) و صيغة تورنويت (Thornthwaite, 1948) بالمقارنة مع صيغة بلاني كريدل المعدلة (Blane
y_Criddle, 1950) و التي تعتبر الصيغة المرجع في هذا البحث, و إيجاد علاقة تمكننا من استعمال طريقة الأحواض المائية الحرة (حوض صنف آ) كدليل نسبي للحاجة إلى الري في منطقة اللاذقية بمقارنته مع قيم التبخر-نتح الكامن المحسوبة باستخدام طريقة بلاني كريدل المعدلة اعتمادا" على معطيات مناخية في منطقة اللاذقية لمدة 15عاما" (2001-2015)
توضح النتائج أنه من خلال دراسة معامل الارتباط ومن خلال طبيعة توزع النقاط التجريبية حول المنحني المقارب الخطي, بأن صيغة تورك أعطت أفضل تقريب لصيغة بلاني كريدل المعدلة, بمعامل ارتباط (R=0.907) مقارنة" بصيغة تورنويت التي أعطت معامل ارتباط (R=0.846), أما بالنسبة لطريقة الحوض صنف آ كان معامل الارتباط (R=0.925) و التوزع جيد للنقاط التجريبية حول المنحني المقارب الخطي.
بالتالي نستطيع ضمن ظروفنا التجريبية الاعتماد على صيغة تورك و طريقة الحوض صنف آ كأفضل تقريب لصيغة بلاني – كريدل المعدلة في تحديد الاحتياجات المائية للمحاصيل الزراعية في منطقة اللاذقية.
يعتبر التبخّر مكوّناُ أساسيّاً في الدورة الهيدرولوجيّة، و هو يلعب دوراً مؤثّراً في تطوير و إدارة الموارد المائيّة. تهدف هذه الدراسة إلى التنبّؤ بالتبخّر الإنائي الشهري في محطة حمص المناخيّة باستخدام الشبكات العصبيّة الاصطناعيّة. و قد اعتمدت الدراسة م
ن أجل ذلك على القيم الشهريّة لدرجة حرارة الهواء و الرطوبة النسبيّة فقط كمدخلات، واعتمدت التبخّر الإنائي الشهري كمُخرج للشبكة. استُخدمت خوارزميّة الانتشار العكسي في عمليّة تدريب و تحقيق الشبكة مع تغيير طرائق التدريب و عدد الطبقات الخفيّة و عدد العصبونات في كل طبقة منها، و قد أظهرت النتائج القدرة الجيّدة للشبكة العصبيّة الاصطناعيّة ذات الهيكليّة 2-10-1 على التنبؤ بقيم التبخر الإنائي الشهري بمعامل ارتباط كلّي R) 96.786%) و بجذر متوسّط مربّعات الأخطاء RMSE) 24.52 mm/month) لمجموعة البيانات الكاملة، و قد أوصت الدراسة باستخدام تقنية الشبكات العصبية الاصطناعية لتحديد العناصر الأكثر تأثيراً على التبخر.
عندما يحدث الانسكاب النفطي، فإنه من الضروري جدا أن يتم الإسراع قدر الإمكان في الإجراءات اللازمة من أجل تقليل الأضرار الناجمة و التي يمكن أن تؤثر على الإنسان و الطبيعة في نفس الوقت. بالتالي، و من أجل أن يتم القيام بالعمليات الضرورية في الوقت المناسب ا
لذي يلي الحادثة مباشرة، تم في هذا البحث تطوير نموذج رقمي ثنائي البعد من أجل دراسة أهم العمليات التي تحدث للبقعة النفطية حال انسكابها من السفن على سطح البحر، ألا و هي عملية الانتشار السطحي، كما تم الأخذ بالاعتبار كل من عمليتي التبخر و الانحلال و التي تؤدي إلى فاقد لابأس به من كمية المادة النفطية سواء في الجو أو في عمود الماء أسفل البقعة النفطية، بالإضافية إلى نمذجة هذه العمليات للانسكاب النفطي المنتشر على سطح البحر باستخدام الطريقة التجريبية. بعدئذ، تم إنشاء سيناريوهات للانسكاب النفطي، و من ثم اختبار انتشار البقعة النفطية ذات الكثافة و الموضع الابتدائي المعروفين، و باستخدام الــ MATLAB، و أخيرا تم إجراء محاكاة للتدفق و مناقشتها أيضا.
يشكّل التبخر أحد عناصر الدورة الهيدرولوجية، الذي يصعب قياس كمياته الفعلية في الشروط الحقلية، لذلك يجري تقديره اعتماداً على الحسابات بعلاقات تجريبية تعتمد على بيانات عناصر المناخ. يهدف البحث إلى بناء أنموذج رياضي لتقدير التبخر الشهري في المنطقة السهلي
ة من الساحل السوري، و ذلك باستخدام الشبكات العصبية الصنعيَّة اعتماداً على درجة الحرارة فقط. و إجراء دراسة مقارنة بين نتائج أنموذج الشبكة و نتائج نماذج أخرى معروفة. بُني الأنموذج الرياضي باستخدام NN-tool box إحدى أدوات MATLAB حيث شكلت شبكة عصبية صنعيَّة متعددة الطبقات لخوارزمية الانتشار العكسي للخطأ، و حُددت خوارزمية التعلم الملائمة، و عدد الطبقات الخفية المستخدمة، بالإضافةً إلى عدد العصبونات و نوع دوال التفعيل المستخدمة في كل طبقة.
و قد أظهرت النتائج أن الشبكة العصبية الصنعيَّة ذات الهيكلية (1-9-1) تعطي أقل قيمة لمربع متوسط الخطأ لمجموعة التحقق و يساوي 0.0032، مع استخدام دالتي التفعيل Logsigmoid و Linear على الترتيب في الطبقة الخفية و طبقة الإخراج.
كما طُوِّر أنموذج المحاكاة للنتائج المستحصلة من الشبكة العصبية الصنعيَّة المقترحة مع نماذج أخرى مثل معادلة إيفانوف و ذلك باستخدام تقانة (Simulink). تبين أن الشبكة العصبية الصنعيَّة المعتمدة على درجة الحرارة فقط تعطي نتائج أكثر دقة من معادلة إيفانوف في تقدير التبخر.
يشكّل التبخر-نتح أحد عناصر الدورة الهيدرولوجية، الذي يصعب قياس كمياته الفعلية في الشروط الحقلية، لذلك يجري تقديره انطلاقاً من علاقات تجريبية تعتمد على بيانات عناصر المناخ، و تتضمن تلك التقديرات أخطاء متنوّعة بسبب عمليات التقريب. و يهدف البحث إلى تقدي
ر دقيق لكمية التبخر الشهري في منطقة صافيتا, و يعتمد البحث على تقانة الشبكة العصبية الصنعية، حيث بُني الأنموذج الرياضي باستخدام Neural Fitting Tool (nftool) إحدى أدوات الماتلاب، و اعتمد الأنموذج على البيانات الشهرية لدرجة حرارة الهواء و الرطوبة النسبية في محطة صافيتا، كما استُخدِمت بيانات التبخر الشهري من حوض التبخر الأميركي صنف A لغرض التحقق من صحة أداء الشبكة، بعد تحويل الأنموذج إلى شكل قالب جاهز باستخدام تقانة Simulink المتاحة في حزمة برمجيات الماتلاب.
أثبتت نتائج الدراسة أنَّ الشبكة العصبية الصنعيَّة متعددة الطبقات، و ذات الانتشار العكسي للخطأ تعطي نتائج جيدة في تقويم التبخر الشهري، اعتماداً على مجموعة البيانات المستخدَمة.
أجريت حسابات مستمرة للانفضاج التبخري (ET أو LE) باسـتخدام طريقـة Covariance Eddy
و طريقة موازنة الطاقة خلال أكثر من سنة فوق غطاء نباتي غير متجانس في نظام بيئي يمثل واحة جافة
في وسط صحراء سورية. إن طريقة الري السائدة هي الغمر التقليدي، و بتـواتر لتو
زيـع الميـاه كـل
28 يوماً. ركز العمل على دراسة التغيرات الفصلية لموازنة الطاقة خلال سنتين، مع تركيز خـاص علـى
تأثيرات الهطول المطري، و سرعة الرياح، و الموازنة الإشعاعية على الانفضاج التبخري. كان الانفـضاج.
لقد ظهر التأثير المهم لأمطار الشتاء في LE حتى في أثناء تطبيق 1 - التبخري الأعظمي فقط day.mm 5
الري. بينت مقارنة حالتين مختلفتين في حزيران 2002 و حزيران 2003 وجود زيادة بمقدار %13 في قيم
G-Rn/ LE .لقد وجدت القيم الأعظمية للمتوسطات الساعية للانفضاج التبخري عند سرعة رياح قرابـة
. يشير هذا إلى أنه عندما يتجاوز المتطلب التبخري للهواء (أو عجز ضغط بخار الماء vpd (حداً 1-s.3m
معيناً يغلق النبات مساماته بهدف تقليل معدل فقد الماء بالنتج. أظهرت نتائج التحقق من موازنة الطاقـة
وجود فروقات معنوية في ميل علاقة LE+H مقابل G-Rn بين الشهر الحار و الشهر البارد، و يعزى ذلك
إلى الموازنة الإشعاعية الخاصة بالمناطق الصحراوية.
