اشترك بالحزمة الذهبية واحصل على وصول غير محدود شمرا أكاديميا
تسجيل مستخدم جديدالتنبّؤ 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
1818
1 45
0
(
0
)
تمت اﻹضافة من قبل
علاء سليمان
اسأل ChatGPT حول البحث
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.
Accurate estimating and predicting of hydrological phenomena plays an influential role in the development and management of water resources, preparing of future plans according to different scenarios of climate changes. Evapotranspiration is one of the major meteorological components of the hydrologic cycle and from the most complex of them, and the accurate prediction of this parameter is very important for many water resources applications. So, this research goals to prediction of monthly reference evapotranspiration (ET0) at Homs meteostation, in the middle of Syrian Arab Republic, using Artificial Neural Networks (ANNs), and Fuzzy Inference System (FIS), depending on available climatic data, and comparision between the results of these models. The used data contained 347 monthly values of Air Temperature (T), Relative Humidity (RH), Wind Speed (WS) and Sunshine Hours (SS) (from October 1974 to December 2004). The monthly reference evapotranspiration data were estimated by the Penman Monteith method, which is the proposed method by Food and Agriculture Organization of the United Nations (FAO) as the standard method for the estimation of ET0, and used as outputs of the models. The results of this study showed that feed forward back propagation Artificial Neural Networks (FFBP-ANNs) pridected successfully the monthly ET0 using climatic data, with low values of root mean square errors (RMSE), and high values of correlation coefficients (R), and showed that the using of the monthly index as an additional input, improves the accurate of prediction of the artificial neural networks models. Also, the results showed good ability of Fuzzy Inference Models (FIS) in predicting of monthly reference evapotranspiration. Sunshine hours are the most influential single parameter for ET0 prediction (R= 97.71%, RMSE = 18.08 mm/month) during the test period, sunshine hours and wind speed are the most influential optimal combination of two parameters (R= 98.55%, RMSE = 12.49 mm/month) during the test period. The results showed high reliability for each of the artificial neural networks and fuzzy inference system with a little preference for artificial neural networks which can add the monthly index in the input layer, and there for improve the presicion of predictions. This study recommends the using of artificial intelligence techniques in modeling of complex and nonlinear phenomena which related of water resources.
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
اقرأ أيضاً
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.
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.
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.
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.
في هذه البحث تم تصميم شبكة عصبية اصطناعية تعتمد على خوارزمية الانتشار الخلفي للخطأ (BPNN) لتشخيص أورام الثدي و كذلك تصميم مصنف للتشخيص باستخدام نظام الاستدلال العصبي الضبابي المتكيف (ANFIS) و قد اعتمدت كلا الدراستين على السمات البنيوية للخزع الموجودة
في قاعدة البيانات لصور الثدي لجامعة ويسكونسون في الولايات المتحدة الأميركية” Wisconson Brest Cancer dataset“
في النهاية تم اجراء مقارنة بين الدراستين من أجل التشخيص الحميد و الخبيث للكتل السرطانية لسرطان الثدي حيث حصلت الدراسة الاولى BPNN على دقة %95.95 بينما الدراسة الثانية ANFIS حصلت على دقة 91.9% و هذه النتائج تعتبر هامة جدا و مساعدة إذا ما قورنت بالأبحاث المعتمدة على السمات الشكلية المأخوذة من الصور لأجهزة متنوعة كالماموغراف و الرنين المغناطيسي.
سجل دخول لتتمكن من نشر تعليقات
التعليقات
جاري جلب التعليقات
سجل دخول لتتمكن من متابعة معايير البحث التي قمت باختيارها
