اشترك بالحزمة الذهبية واحصل على وصول غير محدود شمرا أكاديميا
تسجيل مستخدم جديدأنموذج شبكة عصبية صنعية للتنبؤ بالتبخر الشهري في المنطقة السهلية من الساحل السوري اعتماداً على درجة الحرارة الشهرية
Neural Network Model for Evaporation Prediction in Plain Area of Syrian Coastal Region Depending on Monthly Temperature
2396
1 80
0
(
0
)
تمت اﻹضافة من قبل
Shamra Editor
اسأل ChatGPT حول البحث
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 السهلية 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.
Evaporation forms one of the hydrology cycle elements that it's hard to measure its actual amounts in the field conditions, so it’s estimated by calculations of experimental relations, which depend on climatic elements data. So the research goal is to build a mathematical model to estimate monthly evaporation amount in plain area of Syrian Coast, using Artificial Neural Network (ANN), and depending on dry air temperature, and produce comparison study between the results of network and other models. The mathematical model was built by the (NN-tool box), which is one of the v tools. A multilayer ANN architecture of error Back-propagation algorithm was built. The suitable training algorithms, number of hidden layers, number of neurons in each hidden layer, were determined. The results showed that the ANN (1-9-1) was the best model with MSE of 0.0032 for validation group, using Transfer Function Logsigmoid and Linear in hidden and output layers, respectively. A comparison model for the results obtained from the proposed ANN with EVANOV model by using SIMULINK technique was developed. This indicated that the ANN using temperature only gives results more accurate than EVANOV equation in determining evaporation.
مراجعة الذكاء الصنعي:
ملخص البحث
تتناول هذه الدراسة بناء نموذج رياضي باستخدام الشبكات العصبية الصنعية لتقدير التبخر الشهري في المنطقة السهلية من الساحل السوري، اعتماداً على درجة الحرارة الشهرية فقط. تم استخدام NN-tool box من MATLAB لبناء شبكة عصبية صنعية متعددة الطبقات بخوارزمية الانتشار العكسي للخطأ. أظهرت النتائج أن الشبكة العصبية ذات الهيكلية (1-9-1) تعطي أقل قيمة لمربع متوسط الخطأ لمجموعة التحقق، مما يشير إلى دقة النموذج في تقدير التبخر مقارنةً بنماذج أخرى مثل معادلة إيغانوف. تم استخدام تقانة Simulink لمقارنة نتائج النموذج مع نماذج أخرى، وأظهرت النتائج أن النموذج المقترح يعطي نتائج أكثر دقة في تقدير التبخر الشهري.
قراءة نقدية
دراسة نقدية: على الرغم من أن الدراسة تقدم نموذجاً مبتكراً ودقيقاً لتقدير التبخر الشهري باستخدام الشبكات العصبية الصنعية، إلا أن هناك بعض النقاط التي يمكن تحسينها. أولاً، الاعتماد على درجة الحرارة فقط كمدخل للنموذج قد يكون محدوداً، حيث أن التبخر يتأثر بعوامل مناخية أخرى مثل الرطوبة وسرعة الرياح. ثانياً، لم يتم التطرق إلى كيفية التعامل مع البيانات المفقودة أو غير المكتملة، وهي مشكلة شائعة في البيانات المناخية. ثالثاً، يمكن تحسين الدراسة بإجراء تجارب إضافية لاختبار النموذج في مناطق مناخية مختلفة لضمان عموميته وفعاليته. وأخيراً، كان من الممكن تقديم تحليل أعمق للنتائج ومقارنتها مع نماذج أخرى بشكل أكثر تفصيلاً.
أسئلة حول البحث
-
ما هو الهدف الرئيسي من الدراسة؟
الهدف الرئيسي هو بناء نموذج رياضي لتقدير التبخر الشهري في المنطقة السهلية من الساحل السوري باستخدام الشبكات العصبية الصنعية اعتماداً على درجة الحرارة فقط.
-
ما هي الأدوات البرمجية المستخدمة في بناء النموذج؟
تم استخدام NN-tool box وSimulink من MATLAB لبناء النموذج وإجراء المحاكاة.
-
ما هي الهيكلية الأفضل للشبكة العصبية الصنعية وفقاً للدراسة؟
الهيكلية الأفضل هي (1-9-1) حيث تعطي أقل قيمة لمربع متوسط الخطأ لمجموعة التحقق.
-
كيف تقارن نتائج النموذج المقترح مع معادلة إيغانوف؟
أظهرت النتائج أن النموذج المقترح يعطي نتائج أكثر دقة في تقدير التبخر الشهري مقارنةً بمعادلة إيغانوف.
المراجع المستخدمة
SUDHEER, M.E. et, al. Estimating actual evapotranspiration from limited climatic data using neural computing technique. J. Irri. Drain. Engg. ASCE. 129(3), 2003, 214-218
KESKIN, K.P. TERZI, O. Artificial Neural Network Models of Daily Pan Evaporation. J. Hydrologic Engrg. 11(1), 2006, 65-70
MOGHADDAMNIA, A. et, al. Evaporation estimation using artificial neural networks and adaptive neuro-fuzzy inference system techniques. Science Direct U. S. A.Vol.32, 2009, 88-97
قيم البحث
اقرأ أيضاً
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.
تتضمن هذه الدراسة إمكانية استخدام الشبكات العصبية الاصطناعية مع خوارزمية الانتشار العكسي في التنبؤ قصير المدى بمناسيب بحيرة قطينة على نهر العاصي, مع الإشارة على أن البيانات المستخدمة هي بيانات مناسيب المياه في البحيرة و بيانات الأمطار للفترة الممتدة بين ( 1\5\2007 - 28\2\2009 ).
تهدف هذه الدراسة إلى بناء أنموذج رياضي لتقدير التبخر من المنطقة الجبلية من الساحل السوري، باستخدام الشبكة العصبية الصنعيَّة و ذلك اعتماداً على أربعة بارمترات جوية، و هي درجة الحرارة، الرطوبة النسبية، سرعة الرياح و السطوع الشمسي، و من ثم دراسة تأثير إ
ضافة معامل الزمن على تقدير التبخر. بني الأنموذج الرياضي باستخدام Neural Fitting Tool إحدى أدوات الماتلاب، و قد اعتمد على البيانات اليومية للبارامترات المذكورة في منطقة الدراسة بالإضافة إلى معامل الزمن، كما استُخدِمت بيانات التبخر اليومي المقيسة بوساطة حوض التبخر الأميركي صنف A كمخرجات مأمولة لغرض التحقق من صحة أداء الشبكة. و تظهر النتائج تفوق الشبكة المضاف لها معامل الزمن حيث بلغ معامل الارتباط فيها لمجموعة التحقق 0.8919 و متوسط مربع الخطأ 0.02166 بينما كانت قيمة معامل الارتباط للشبكة المستخدمة للتنبؤ بقيمة التبخر اعتماداً على المعطيات المناخية بدون إدخال معامل الزمن 0.8324 و متوسط مربع الخطأ 0.0327.
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.
تعتمد دراسة و تصميم المآخذ المائية للينابيع على تحليل السلاسل الزمنية للقياسات التاريخية من خلال التنبؤ بأحجام المياه الواردة أو المتوقع ورودها مستقبلاً.
يهدف البحث إلى نمذجة تدفقات المياه الشهرية لنبع السن في الساحل السوري و التنبؤ المستقبلي بهذه ا
لتدفقات، باعتماد نماذج "بوكس– جنكنز" في تحليل بيانات السلسلة الزمنية، لارتفاع درجة الدقة في تنبؤاتها.
اعتمدنا بيانات تدفقات المياه الشهرية و بالتالي حجوم المياه الشهرية لـ 101 شهراً من حزيران 2008 حتى تشرين الأول 2016م، و بعد إجراء عمليات استقرار السلسلة في التباين و المتوسط و إزالة الموسمية و تنفيذ الاختبارات المطلوبة على بواقي النموذج، تبيّن أن أفضل نموذج يمثل البيانات هو SARIMA(2,0,1) (2,1,0)12، و تم تقسيم البيانات إلى 81 شهراً لبناء النموذج و 20 شهراً لاختباره، و اعتماداً على أصغر قيمة للمتوسط الموزون للمعايير RMSE, MAP, MAE، فإن أفضل نموذج للتنبؤ هو النموذج SARIMA(3,1,0) (1,1,0)12، و قد أعطى النموذج تنبؤات قريبة من حجوم المياه الشهرية في النبع المقيسة فعلياً.
سجل دخول لتتمكن من نشر تعليقات
التعليقات
جاري جلب التعليقات
سجل دخول لتتمكن من متابعة معايير البحث التي قمت باختيارها
