ترغب بنشر مسار تعليمي؟ اضغط هنا

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.
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.
mircosoft-partner

هل ترغب بارسال اشعارات عن اخر التحديثات في شمرا-اكاديميا