اشترك بالحزمة الذهبية واحصل على وصول غير محدود شمرا أكاديميا
تسجيل مستخدم جديدالتنبّؤ بالتبخّر نتح المرجعي الشّهري باستخدام الشبكات العصبيّة الاصطناعية و نظام الاستدلال الضبابي
Prediction of Monthly Reference Evapotranspiration Using Artificial Neural Networks and Fuzzy Inference System
1767
0 468
0
(
0
)
تمت اﻹضافة من قبل
Shamra Editor
اسأل ChatGPT حول البحث
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.
Evapotranspiration is an important component of the hydrologic cycle, and the accurate prediction of this parameter is very important for many water resources applications. Thus, the aim of this study is prediction of monthly reference evapotranspiration using Artificial Neural Networks (ANNs) and fuzzy inference system (FIS).
مراجعة الذكاء الصنعي:
ملخص البحث
تتناول هذه الدراسة موضوع التنبؤ بقيم التبخر-نتح المرجعي الشهري باستخدام الشبكات العصبية الاصطناعية ونظام الاستدلال الضبابي. يعتبر التبخر-نتح أحد المكونات الهامة في الدورة الهيدرولوجية، وله أهمية كبيرة في إدارة الموارد المائية. اعتمدت النماذج المستخدمة في الدراسة على القيم الشهرية لدرجة حرارة الهواء العظمى والصغرى والرطوبة النسبية كمدخلات، بينما كانت المخرجات هي قيم التبخر-نتح المرجعي الشهري المحسوبة باستخدام طريقة بنمان-مونتيث. أظهرت النتائج موثوقية عالية لكل من الشبكات العصبية الاصطناعية ونظام الاستدلال الضبابي دون وجود أفضلية واضحة لأحدهما، حيث كانت قيمة جذر متوسط مربع الخطأ خلال مرحلة الاختبار متساوية لكل منهما. توصي الدراسة باستخدام أساليب الذكاء الاصطناعي في التنبؤ بالظواهر الهيدرولوجية والعمليات المتعلقة بالموارد المائية.
قراءة نقدية
دراسة نقدية: تعتبر هذه الدراسة خطوة مهمة في مجال استخدام الذكاء الاصطناعي لتنبؤ الظواهر الهيدرولوجية، إلا أنها تفتقر إلى تحليل أعمق لتأثير العوامل المناخية الأخرى مثل سرعة الرياح والإشعاع الشمسي، والتي قد تكون لها تأثير كبير على دقة التنبؤ. كما أن الدراسة لم تتناول بشكل كافٍ كيفية تحسين النماذج المستخدمة أو دمجها مع نماذج أخرى للحصول على نتائج أكثر دقة. بالإضافة إلى ذلك، كان من الممكن أن تكون الدراسة أكثر شمولية إذا تم اختبار النماذج على مجموعات بيانات من مناطق مختلفة لتقييم مدى عموميتها.
أسئلة حول البحث
-
ما هي المدخلات المستخدمة في نماذج التنبؤ في هذه الدراسة؟
المدخلات المستخدمة هي القيم الشهرية لدرجة حرارة الهواء العظمى والصغرى والرطوبة النسبية.
-
ما هي طريقة الحساب المستخدمة لقيم التبخر-نتح المرجعي الشهري في الدراسة؟
تم حساب قيم التبخر-نتح المرجعي الشهري باستخدام طريقة بنمان-مونتيث.
-
هل أظهرت الدراسة أفضلية واضحة لأحد النماذج المستخدمة؟
لا، أظهرت الدراسة موثوقية عالية لكل من الشبكات العصبية الاصطناعية ونظام الاستدلال الضبابي دون وجود أفضلية واضحة لأحدهما.
-
ما هي التوصيات التي قدمتها الدراسة؟
توصي الدراسة باستخدام أساليب الذكاء الاصطناعي في التنبؤ بالظواهر الهيدرولوجية والعمليات المتعلقة بالموارد المائية.
المراجع المستخدمة
AL-ABBODI, A. H. 2014. Evaporation Estimation Using Adaptive Neuro-Fuzzy Inference System and Linear Regression. Eng. &Tech. Journal, Vol.32, Part(A), No.10, 2465-2474
JADEJA, V, 2011. Artificial neural network estimation of Reference Evapotranspiration from pan evaporation in a semiarid environment. National Conference on Recent Trends in Engineering & Technology
KARIYAMA, I. D, 2014. Temperature-Based Feed-Forward Backpropagation Artificial Neurl Network For Estimation Reference Crop Evapotranspiration In The Upper West Region. International Journal of Scientific & Technology Research, Volume 3, Issue 8, 357-364
قيم البحث
اقرأ أيضاً
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.
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.
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.
تعتبر أنظمة التعليق من أهم المكونات في المركبات الحديثة كما أنها تعد أهم عوامل الراحة و الأمان فيها لذلك كان لابد من تأمين متحكم يضمن التفاعل الكامل بين مكونات نظام التعليق و يساعد في اتخاذ القرارات الدقيقة في الوقت المناسب, يقترح البحث تصميم متحكم ب
استخدام نظام الاستدلال العصبي الضبابي المكيف الموسع (EANFIS) و استخدامه كوحدة اتخاذ قرار في نظام التعليق لنموذج ربع المركبة بغاية المحافظة على ثبات المركبة على الطرقات لتأمين راحة الركاب حيث يقوم بتحقيق دقة في اتخاذ القرار للمساهمة في تخفيض الاهتزازات و امتصاص الصدمات الناتجة عن عدم استواء الطريق و بالتالي يمنع وصولها إلى مقصورة القيادة و يؤمن الثبات و التماسك المطلوب تم تطبيق المتحكم على نموذج ربع المركبة و دراسة استجابة النموذج في حال حدوث اضطرابات مختلفة و مقارنة أداء المتحكم مع متحكم يعتمد على نظام الاستدلال الضبابي و مع استجابة النموذج الرياضي ذو الحلقة المفتوحة بوجود اضطرابات دخل مختلفة و قد أظهر المتحكم تفوقاً في الأداء من حيث تخفيض الإزاحات و سرعة الاهتزاز و تسارعه.
سجل دخول لتتمكن من نشر تعليقات
التعليقات
جاري جلب التعليقات
سجل دخول لتتمكن من متابعة معايير البحث التي قمت باختيارها
