ترغب بنشر مسار تعليمي؟ اضغط هنا

نمذجة علاقة الهطول المطري_الجريان السطحي باستخدام الشبكة العصبية الصنعية

Modeling Of The relationship between Rainfall,Runoff by using Artificial Neural Network

1656   0   66   0 ( 0 )
 تاريخ النشر 2017
والبحث باللغة العربية
 تمت اﻹضافة من قبل Shamra Editor




اسأل ChatGPT حول البحث

تشكل العلاقة بين الهطول المطري_الجريان السطحي إحدى المركبات الأساسية للدورة الهيدرولوجية للمياه في الطبيعة، كما أنها تشكل واحدة من أكثر الظواهر الهيدرولوجية تعقيداً و صعوبةً في الفهم؛ و ذلك بسبب كثرة عدد المتغيرات المتضمَّنة في نمذجة العمليات الفيزيائية و التغير المؤقت في مواصفات الحوض، إضافةً إلى تعدد نماذج الهطولات المطرية. و تعدُّ نمذجة العلاقة بين الهطول المطري و الجريان السطحي مهمة جدّاً من أجل التصميم الهندسي و الإدارة المتكاملة للموارد المائية، إضافةً إلى التنبؤ بالفيضان و درء مخاطره. من هنا تبرز أهمية نمذجة العلاقة بين الهطول المطري_الجريان السطحي اعتمادا على عدد من المتغيرات التي تؤثر بشكل فعال على الجريان السطحي، بما يتطلبه الأمر من الحفاظ على هذه الثروة الحيوية.


ملخص البحث
تتناول هذه الدراسة نمذجة العلاقة بين الهطول المطري والجريان السطحي باستخدام الشبكات العصبية الصنعية. تُعتبر هذه العلاقة واحدة من أكثر الظواهر الهيدرولوجية تعقيداً بسبب تعدد المتغيرات المؤثرة فيها. تهدف الدراسة إلى تحسين نمذجة هذه العلاقة من أجل التصميم الهندسي والإدارة المتكاملة للموارد المائية، بالإضافة إلى التنبؤ بالفيضانات ودرء مخاطرها. استخدم الباحثون برنامج MATLAB وأدواته لمحاكاة الشبكة العصبية الصنعية وتدريبها باستخدام بيانات شهرية تم جمعها من حوض نهر الحصين. توصلت الدراسة إلى أن الشبكة العصبية الصنعية ذات الهيكلية (1-10-4) هي الأمثل في تمثيل العلاقة بين الهطول المطري والجريان السطحي بمتوسط مربع خطأ مقداره (0.0009). توصي الدراسة بمزيد من البحث في استخدام عوامل إضافية مثل الميل واستخدام الأراضي في بناء الشبكة العصبية، وتوسيع استخدام الشبكات العصبية لدراسة مسائل متنوعة تتعلق بالموارد المائية في سوريا.
قراءة نقدية
دراسة نقدية: تُعد هذه الدراسة خطوة مهمة نحو تحسين نمذجة العلاقة بين الهطول المطري والجريان السطحي باستخدام الشبكات العصبية الصنعية. ومع ذلك، يمكن توجيه بعض النقد البناء للدراسة. أولاً، كان من الممكن أن تكون الدراسة أكثر شمولية إذا تم تضمين بيانات من مناطق مختلفة وليس فقط من حوض نهر الحصين. ثانياً، على الرغم من أن الشبكات العصبية الصنعية أثبتت فعاليتها، إلا أن الدراسة لم تقارن بشكل كافٍ بين أداء الشبكات العصبية الصنعية وأساليب النمذجة التقليدية. ثالثاً، كان من الممكن أن تكون الدراسة أكثر تفصيلاً في شرح كيفية اختيار هيكلية الشبكة العصبية وعدد العصبونات في الطبقات المختلفة. وأخيراً، توصي الدراسة بمزيد من البحث في استخدام عوامل إضافية مثل الميل واستخدام الأراضي، ولكنها لم تقدم خطة واضحة لكيفية تنفيذ ذلك في الدراسات المستقبلية.
أسئلة حول البحث
  1. ما هي الأهمية الرئيسية لنمذجة العلاقة بين الهطول المطري والجريان السطحي؟

    الأهمية الرئيسية لنمذجة العلاقة بين الهطول المطري والجريان السطحي تكمن في تحسين التصميم الهندسي والإدارة المتكاملة للموارد المائية، بالإضافة إلى التنبؤ بالفيضانات ودرء مخاطرها.

  2. ما هي الأدوات والبرامج التي استخدمها الباحثون في هذه الدراسة؟

    استخدم الباحثون برنامج MATLAB وأدواته لمحاكاة الشبكة العصبية الصنعية وتدريبها باستخدام بيانات شهرية تم جمعها من حوض نهر الحصين.

  3. ما هي هيكلية الشبكة العصبية الصنعية التي توصلت إليها الدراسة كأفضل نموذج؟

    توصلت الدراسة إلى أن الشبكة العصبية الصنعية ذات الهيكلية (1-10-4) هي الأمثل في تمثيل العلاقة بين الهطول المطري والجريان السطحي بمتوسط مربع خطأ مقداره (0.0009).

  4. ما هي التوصيات التي قدمتها الدراسة لمزيد من البحث؟

    توصي الدراسة بمزيد من البحث في استخدام عوامل إضافية مثل الميل واستخدام الأراضي في بناء الشبكة العصبية، وتوسيع استخدام الشبكات العصبية لدراسة مسائل متنوعة تتعلق بالموارد المائية في سوريا.


المراجع المستخدمة
PITTAMS, R. An Empirical Relationship Between Rainfall and Runoff, Journal of Hydrology New Zealand, Vol. 24, No . 2, 1970, 357-372
DAWSON, C. ؛ WILBY, R. An artificial neural network approach to rainfallrunoff modeling, Hydrological Sciences— Journal—des Sciences Hydrolo U.K. Vol.43, NO.1, 1998, 47-66
Arslan, C. Rainfall–Runoff Modeling Based on Artificial Neural Networks (ANNs). European Journal of Scientific Research U. K. Vol. 65, No. 4, 2011, 490-506
قيم البحث

اقرأ أيضاً

تُشكِّل العلاقة بين الهطول المطري_الجريان النهري Rainfall_Runoff (R_R إحدى المركبات الأساسية لدورة المياه في الطبيعة، كما أنها تُشكّل واحدة من أكثر الظواهر الهيدرولوجية تعقيداً و صعوبةً في الفهم؛ و ذلك بسبب كثرة عدد البارامترات المتضمَّنة في نمذجة ال عمليات الفيزيائية و بسبب اتساع فضائها البارامتري و التغير المؤقت في مواصفات الحوض، إضافةً إلى تعدد نماذج الهطولات المطرية. هذا و تعدُّ نمذجة العلاقة بين الهطول المطري _الجريان النهري مهمة جدّاً من أجل التصميم الهندسي و الإدارة المتكاملة للموارد المائية، إضافةً إلى التنبؤ بالفيضان و درء مخاطره. حيث يهدف هذا البحث إلى نمذجة العلاقة بين الهطول المطري_الجريان النهري في حوض نهر الكبير الجنوبي في سوريا، بالاعتماد على تقانة الشبكة العصبونية الصنعية (ANN) Artificial Neural Network، حيث بُني النموذج الرياضي باستخدام كلٍّ من nntool وntstool مكتبتين ملحقتين ببرنامج الماتلاب، و اعتمد النموذج على البيانات اليومية للهطول المطري، درجة حرارة الهواء، الرطوبة النسبية و التبخر في المحطات المناخية المنتشرة في الحوض، كما استُخدِمت بيانات الجريان النهري اليومية لغرض التحقق من صحة أداء الشبكة باستخدام تقانة Simulink المتاحة في حزمة برمجيات الماتلاب. أثبتت نتائج الدراسة أنَّ تقانة الشبكة العصبونية الصنعيَّة تعطي نتائج جيدة في نمذجة العلاقة بين الهطول المطري_الجريان النهري، اعتماداً على مجموعة البيانات المستخدَمة، و بالتالي يمكن اعتبارها بديلاً للطرائق التقليدية في نمذجة العلاقة R_R.
تستخدم الشبكة العصبية الصنعية طريقة تعلم استقرائي، و تتطلب بشكل عام أمثِلة لبيانات التدريب، بينما تستخدم الخوارزمية الجينية تعلم اقتطاعي، و تتطلب تابع هدف. لقد تمّ تنظيم التعاون بين هاتين التقانتين في دراستنا هذه بغرض تعزيز أداء كل تقانة من خلال بن اء نظام هجين منهما، عن طريق كتابة برمجيّة عامّة باستخدام برنامج MATLAB بغرض الاختيار الفعّال لمتحولات الدخل لعمليات التنبؤ، و أمثلة أوزان شبكة البيانات قيد الدراسة، و من ثمّ تطبيق هذه البرنامج على بيانات يوميّة، تمّ جمعها من حوض نهر الكبير الجنوبي هي (الهطول، التبخر، الحرارة، الرطوبة النسبية و الجريان النهري بتأخر زمني مقداره يوم واحد) بغرض التنبؤ بالجريان النهري.
تهدف هذه الدراسة إلى تحديد العناصر المناخية الأكثر تأثيرا على علاقة الهطل - جريان لنهر الكبير الشمالي, باستخدام الشبكات العصبية الاصطناعية. حيث احتوت مدخلات الشبكات العصبية على الهطل المطري و التدفق في النهر, وفق تأخرات زمنية مختلفة, بالإضافة إلى هنص ر من العناصر المناخية في كل نموذج من النماذج, لتحديد النموذج الأفضل و الأكثر دقة.
في اللغويات الحسابية، فقد تبين أن الهياكل الهرمية تجعل نماذج اللغة (LMS) أكثر تشبه الإنسان. ومع ذلك، فإن الأدب السابق كان غير ملائم حول استراتيجية تحليل النماذج الهرمية. في هذه الورقة، قامنا بالتحقيق في ما إذا كانت الهياكل الهرمية تجعل LMS أكثر تشبه الإنسان، وإذا كان الأمر كذلك، ما هي استراتيجية التحليل أكثر منطقية. من أجل معالجة هذا السؤال، قمنا بتقييم ثلاثة LMS ضد أوقات القراءة البشرية باللغة اليابانية مع هياكل المتفرعة اليسرى في الرأس: ذاكرة طويلة الأجل الطويلة (LSTM) كطراز متتابع ونواسيب الشبكة العصبية المتكررة (RNNGS) مع أعلى إلى أسفل واستراتيجيات تحليل الركن الأيسر كنماذج هرمية. أظهرت النمذجة الحاسوبية لدينا أن RNNGS الركن الأيسر تفوقت على RNNGS و LSTM من أعلى إلى أسفل، مما يشير إلى أن هياكل التسلسل الهرمي واليسرى من المعقول أكثر منطقية أكثر من الأعلى إلى أسفل أو هندسة متسلسلة. بالإضافة إلى ذلك، سيتم مناقشة العلاقات بين المعقول المعرفي و (1) حيرة، (2) تحليل، و (III) بحجم شعاع.
التنبّؤ بالطقس و خاصةً الأمطار، هي واحدة من المهام العملية الأكثر تحدياً و أهمية، و التي تقوم بها خدمات الأرصاد الجوية في جميع أنحاء العالم، علاوة على كونه إجراء معقد يتطلب مجالات متخصصة و متعددة من الخبرات. في هذه الورقة، أقترح نموذج الشبكات العصبي َّة (ANNs) مع تحويل المويجات كأداة للتنبؤ بالأمطار الشّهرية بشكل متتالي بالاعتماد على البيانات السابقة لهطول الأمطار (1933-2009)، المأخوذة من محطة حمص للأرصاد الجوية. حيث تم تحليل السلسلة الزمنية للأمطار إلى معاملاتها التفصيلية و التقريبية على ثلاث مستويات باستخدام تحويل المويجات المتقطع (Discrete Wavelet Transform (DWT، و استخدمت الشَّبكة العصبيَّة أمامية التغذية مع خوارزمية الانتشار العكسي في عملية التعلم و التنبّؤ. توصلت الدراسة إلى أن الشبكة العصبية WNN ذات الهيكلية (1-8-8-8-5)، قادرة على التنبؤ بالأمطار الشهرية في محطة حمص على المدى الطويل بمعامل تحديد وجذر متوسط مربعات الأخطاء (7.74mm,0.98) على الترتيب. تقدم تقنية تحويل المويجات ميزة مفيدة قائمة على تحليل البيانات، مما يحسن من أداء النموذج، و تطبق هذه التقنية في نماذج الشبكات العصبية الاصطناعية للأمطار لأنها بسيطة، كما يمكن تطبيق هذه التقنية لنماذج أخرى.
التعليقات
جاري جلب التعليقات جاري جلب التعليقات
سجل دخول لتتمكن من متابعة معايير البحث التي قمت باختيارها
mircosoft-partner

هل ترغب بارسال اشعارات عن اخر التحديثات في شمرا-اكاديميا