التنبّؤ بالتبخّر نتح المرجعي الشهري في محطّة حمص باستخدام الشبكات العصبيّة الاصطناعيّة ونظام الاستدلال الضبابي

Prediction of Monthly Reference Evapotranspiration in Homs Using Artificial Neural Network and Fuzzy Inference System

أعلن في شمرا
231   0   11   0 ( 0 )
 تاريخ النشر 2017
 تمت اﻹضافة من قبل علاء سليمان

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 الهيدرولوجيّة 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.

المراجع المستخدمة
. ABDULLAH, S. MALEK, M. MUSTAPHAM A. ARYANFAR, A. Hybrid of Artificial Neural Network-Genetic Algorithm for prediction of Reference Evapotranspiration (ET0) in Arid and Semiarid Regions. Journal of Agricultural Science, Vol. 6, No. 3, 2014, 191-200
. ABDULLAH, S. MALEK, M. ABDULLAH, N. KISI, O. YAP, K. Extreme Learning Machines: A new approach for prediction of reference evapotranspiration. Journal of Hydrology, 2015, 184-195.
AL-ABOODI, A.H. Evaporation Estimation Using Adaptive Neuro-Fuzzy Inference System and Linear Regression. Eng. &Tech. Journal, Vol. 32, Part (A), No.10, 2014.
ALIPOUR, A; YARAHMADI, J; MAHDAVI, M. Comparative Study of M5 Model Tree and Artificial Neural Network in Estimating Reference Evapotranspiration Using MODIS Products. Hindawi Publishing Corporation, Journal of Climatology, 2014.
ALJUMAILI, K. K; AL-KHAFAJI, M. S; AL-AWADI, A. T. Assessment of Evapotranspiration Estimation Models for Irrigation Projects in Karbala, Iraq. Eng. & Tech. Journal, Vol.32, Part (A), No.5, 2014, 1149-1157.
ALLEN, R. G; PEREIRA, L. S; RAES, D; SMITH, M. FAO Irrigation and Drainage Paper, No. 56. Crop Evapotranspiration (guidelines for computing crop water requirements), 1998.
ANTONIC, O. KRIZAN, J. MARKI, A. BUKOVEC, D. Spatio-temporal interpolation of climatic variables over region of complex terrain using neural networks. ELSEVIER, Ecological Modelling, 2001, 255-263.
ASADI, A. VAHDAT, S. SARRAF, A. The Forcasting of Potential Evapotranspiration using time series analysis in humid and semi humid regions. American Jornal of Engineering Research, Vol. 02, Issue 12, 2013, 296-302.
ATIAA, A. QADIR, A. Using fuzzy logic for estimating monthly pan evaporation from meteorological data in Emara/ South of Iraq. Baghdad Science Journal, Vol. 9, 2012, 133-140.
AWCHI, T. A. Application of Radial Basis Function Neural Networks for Reference Evapotranspiration Prediction. 2007.
BEALE, M. H; HAGAN, M. T; DEMUTH, H. B. Neural Network Toolbox User's Guide. Math Works, R2015a.
BENZAGHTA, M. A; MOHAMMED, T. A; GHAZALI, A. H; SOOM, M. A. M. Prediction of evaporation in tropical climate using artificial neural network and climate based models. Scientific Research and Essays, Vol 7(36), 2012, 3133-3148.
CHUNG, C. H; CHIANG, Y. M; CHANG, F.J. A Spatial neural fuzzy network for estimating pan evaporation at ungauged sites. Hydrology and Earth System Sciences, 16, 2012, 255-266.
DABRAL, P. JHAJHARIA, D. MISHRA, P. HANGSHING, L. DOLEY, B. Time Series Modelling of Pan Evaporation: A Case Study in The Northeast India. Global NEST Jornal, vol 16, NO 2, 2014, 280-292.
FENG, Y; PENG, Y; CUI, N; GONG, D; ZHANG, K. Modeling reference evapotranspiration using extreme learning machine and generalized regression neural network only with temperature data. Computers and Electronics in Agriculture, 136 (2017), 71–78.
GHAHREMAN, N; SAMETI, M. Comparison of M5 Model Tree and Artificial Neural Network for Estimating Potential Evapotranspiration in Semi-Arid Climates. DESERT, 2014, 75-81.
GRAUPE, D. Principles of Artificial Neural Networks. Advanced Series on Circuits and Systems – Vol. 6, World Scientific, 2007.
HAMDI, M. BDOUR, A. TARAWNEH, Z. Developing Reference crop Evapotranspiration Time Series Simulation Model Using Class A Pan: A Case Study for the Jordan Valley/ Jordan. Jordan Journal of Earth and Environmental Sciences, Vol. 1, No. 1, 2008, 33-44.
HUO, Z. FENG, S. KANG, S. DAI, X. Artificial Neural Network models for reference evapotranspiration in an arid area of northwest China. ELSEVIER, Journal of Arid Environments, 2012, 81-90.
JADEJA, V. Artificial neural network estimation of Reference Evapotranspiration from pan evaporation in a semi-arid environment. National Conference on Recent Trends in Engineering & Technology, 2011.
قيم البحث
أعلن في شمرا
التعليقات
جاري جلب التعليقات جاري جلب التعليقات