اشترك بالحزمة الذهبية واحصل على وصول غير محدود شمرا أكاديميا
تسجيل مستخدم جديدالتنّبؤ بالأمطار الشّهرية في محطة حمص باستخدام تقنية تحويل المويجات و الشّبكات العصبية الاصطناعية
Predict monthly rainfall in Homs Station using a technique Wavelet Transform with Artificial Neural Network
2061
1 241
0
(
0
)
تمت اﻹضافة من قبل
Shamra Editor
اسأل ChatGPT حول البحث
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 العصبيَّة (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.
Weather forecasting (especially rainfall) is one of the most important and challenging operational tasks carried out by meteorological services all over the world. Itis furthermore a complicated procedure that requires multiple specialized fields of expertise. In this paper, a model based on artificial neural networks (ANNs) and wavelet Transform is proposed as tool to predict consecutive monthly rainfalls (1933-2009) taken of Homs Meteorological Station on accounts of the preceding events of rainfall data. The feed-forward neural network with back-propagation Algorithm is used in the learning and forecasting, where the time series of rain that detailed transactions and the approximate three levels of analysis using a Discrete wavelet transform (DWT). The study found that the neural network WNN structured )5-8-8-8-1(, able to predict the monthly rainfall in Homs station on the long-term correlation of determination and root mean squared-errors (0.98, 7.74mm), respectively. Wavelet Transform technique provides a useful feature based on the analysis of the data, which improves the performance of the model and applied this technique in ANNmodels for rain because it is simple, as this technique can be applied to other models.
مراجعة الذكاء الصنعي:
ملخص البحث
تتناول هذه الدراسة التنبؤ بالأمطار الشهرية في محطة حمص باستخدام تقنية تحويل المويجات والشبكات العصبية الاصطناعية. تعتبر التنبؤات الجوية، وخاصة الأمطار، من المهام المعقدة والتي تتطلب خبرات متعددة. اقترح الباحثون نموذجًا يعتمد على الشبكات العصبية الاصطناعية مع تحويل المويجات كأداة للتنبؤ بالأمطار الشهرية بناءً على بيانات سابقة لهطول الأمطار من 1933 إلى 2009. تم تحليل السلسلة الزمنية للأمطار إلى معاملات تفصيلية وتقريبية على ثلاث مستويات باستخدام تحويل المويجات المتقطع، واستخدمت الشبكة العصبية أمامية التغذية مع خوارزمية الانتشار العكسي في عملية التعلم والتنبؤ. توصلت الدراسة إلى أن الشبكة العصبية WNN ذات الهيكلية (1–8–8–8–8) قادرة على التنبؤ بالأمطار الشهرية في محطة حمص على المدى الطويل بدقة عالية. تقدم تقنية تحويل المويجات ميزة مفيدة في تحليل البيانات، مما يحسن من أداء النموذج، ويمكن تطبيق هذه التقنية في نماذج الشبكات العصبية الاصطناعية للأمطار لأنها بسيطة ويمكن تطبيقها لنماذج أخرى.
قراءة نقدية
دراسة نقدية: تعتبر هذه الدراسة خطوة مهمة في مجال التنبؤ بالأمطار باستخدام تقنيات حديثة مثل الشبكات العصبية الاصطناعية وتحويل المويجات. ومع ذلك، يمكن توجيه بعض الانتقادات البناءة لتحسين العمل في المستقبل. أولاً، قد يكون من المفيد تضمين المزيد من المتغيرات الجوية الأخرى في النموذج لتحسين دقة التنبؤات. ثانياً، يمكن أن تكون الدراسة أكثر شمولية إذا تم تطبيق النموذج على محطات أخرى لمقارنة النتائج. ثالثاً، قد يكون من المفيد إجراء تحليل حساسية للنموذج لفهم تأثير كل متغير على النتائج النهائية. وأخيراً، يمكن تحسين العرض البياني للنتائج لتسهيل فهمها من قبل القراء غير المتخصصين.
أسئلة حول البحث
-
ما هي التقنية المستخدمة في هذه الدراسة للتنبؤ بالأمطار الشهرية؟
استخدمت الدراسة تقنية تحويل المويجات والشبكات العصبية الاصطناعية للتنبؤ بالأمطار الشهرية.
-
ما هي الفترة الزمنية التي تم الاعتماد عليها لجمع بيانات الأمطار في هذه الدراسة؟
تم جمع بيانات الأمطار من محطة حمص للأرصاد الجوية للفترة من 1933 إلى 2009.
-
ما هو الهيكل النهائي للشبكة العصبية الاصطناعية المستخدمة في الدراسة؟
الهيكل النهائي للشبكة العصبية الاصطناعية هو (1–8–8–8–8) حيث يتكون من طبقة مدخلات واحدة، وثلاث طبقات خفية تحتوي كل منها على 8 عصبونات، وطبقة مخرجات واحدة.
-
ما هي الميزة التي تقدمها تقنية تحويل المويجات في تحليل البيانات؟
تقدم تقنية تحويل المويجات ميزة مفيدة في تحليل البيانات من خلال تقسيمها إلى معاملات تفصيلية وتقريبية، مما يحسن من أداء النموذج.
المراجع المستخدمة
GWANGSEOB, K; ANA, P. B. Quantitative flood forecasting using multi sensor data and neural networks. Journal of Hydrology, USA, 2001, 45–62
FRENCH, M. N, KRAJEWSKI, W. F; CUYKENDALL, R. R. Rainfall forecasting in space and time using neural network. Journal of Hydrol, Amsterdam, Vol.137, 1992, 1–31
SHRIVASTAVA, G; KARMAKAR, S; KOWAR, M, K; GUHATHAKURTA, P. Application of Artificial Neural Networks in Weather Forecasting. A Comprehensive Literature Review. International Journal of Computer Applications 51(18), 2012, 17-29
قيم البحث
اقرأ أيضاً
تعتبر الأمطار من الظواهر غير الخطية المعقدة، و التي تتطلب النمذجة الرياضية غير الخطية لغرض
التنبؤ بها. هذه الدراسة تقارن أداء التنبؤ بالأمطار ليوم مقدماً، حيث وضعت اثنين من نماذج الشبكات
العصبونية (ذات التغذية الأمامية) للتنبؤ بأمطار يومية متتالية
لثلاثة أشهر (كانون الأول، كانون الثاني،
شباط) و هذه النماذج هي: نموذج الشبكات العصبية الاصطناعية التقليدية (ANN) و نموذج عصبوني
مع تقنية التحويل المويجي وفق (wavelet- neural) طريقتين مختلفتين لبناء النماذج و باستخدام
نوعين من المويجات من عائلة دوبغنز (db2, db5) و من أجل المقارنة بين أداء النماذج في قدرتها
على التنبؤ بالأمطار على المدى القصير (ليوم و يومين و ثلاثة أيام مقدماً) للأشهر الأخيرة من فترة
الدراسة، فقد استخدمت بعض المعايير الإحصائية، التي اشتملت على جذر متوسط مربعات الأخطاء
(RMSE) و معامل الارتباط (R).
يُعدُّ تقييم موارد المياه السطحية من المدخلات الضرورية لحل قضايا إدارة المياه، و التي تتضمن إيجاد علاقة بين الأمطار و الجريانات السطحية، و تعتبر هذه العلاقة على درجة عالية من التعقيد، حيث أن الأمطار من أهم العوامل التي تؤثر بشكل كبير على جريان الأنها
ر، و عملية التنبؤ بهذه الجريانات يجب أن تأخذ هذا العامل بعين الاعتبار، و بكثير من الاهتمام و الدراسة، و تعتبر الشبكات العصبية الصنعية من أهم الطرائق الحديثة من حيث دقة نتائجها في الربط بين هذه العوامل المتعددة و البالغة التعقيد. و من أجل التنبؤ بالجريان اليومي الوارد إلى بحيرة سد 16 تشرين في اللاذقية، موضوع بحثنا، تم تطبيق نماذج مختلفة من الشبكات العصبية الصنعية (ANN)، كانت مدخلاتها تدفقات سابقة للأمطار و الجريانات.
قسمت مجموعة البيانات للفترة الممتدة بين عامي (2006-2012) إلى مجموعتين: تدريب و اختبار، و قد تم معالجة البيانات قبل إدخالها إلى الشبكة العصبية باستخدام تقنية تحويل المويجات المتقطع، للتخلص من مشاكل القيم العظمى و القيم الصفرية، حيث حللت السلاسل الزمنية إلى ثلاثة مستويات من الدقة و استخدمت السلاسل الفرعية الناتجة كمدخلات للشبكة العصبية أمامية التغذية التي تعتمد على خوارزمية الانتشار العكسي لتدريبها.
أشارت النتائج إلى أن الشبكة العصبية ذات الهيكلية (1-2-6) نموذج Wavelet-ANN، هي الأفضل في تمثيل الظاهرة المدروسة و الأقدر على التنبؤ بالجريان اليومي الوارد إلى بحيرة سد 16 تشرين ليوم واحد قادم، حيث بلغ معامل الارتباط و جذر مربع متوسط الخطأ (R2=0.96، RMSE=1.97m3/sec)، على الترتيب.
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.
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 الفي
زيائية 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.
سجل دخول لتتمكن من نشر تعليقات
التعليقات
جاري جلب التعليقات
سجل دخول لتتمكن من متابعة معايير البحث التي قمت باختيارها
