Journal of Water and Soil Science
علوم آب و خاک
jwss
Agriculture
http://jstnar.iut.ac.ir
0
user
2476-3594
2476-5554
10.47176/jwss
fa
jalali
1389
1
1
gregorian
2010
4
1
14
51
online
1
fulltext
fa
ارزیابی کاربرد شبکه عصبی مصنوعی و بهینهسازی آن با روش الگوریتم ژنتیک در تخمین دادههای بارش ماهانه (مطالعه موردی: منطقه کردستان)
Evaluating Artificial Neural Network and its Optimization Using Genetic Algorithm in Estimation of Monthly Precipitation Data (Case Study: Kurdistan Region)
عمومی
Ggeneral
پژوهشي
Research
برآورد توزیع مکانی بارش برای اجرای طرح های مطالعات منابع آب، خشکسالی، طرح های آمایش سرزمین، محیط زیست، آبخیزداری و طرح های جامع کشاورزی ضروری می-باشد. تغییرات زیاد مقدار بارش در نقاط مختلف، کمبود ایستگاه های اندازه گیری و پیچیدگی ارتباط بارش با پارامترهای اثرگذار بر آن، اهمیت توسعه روش های کارآمد را در برآورد توزیع مکانی بارش دو چندان می نماید. شبکه عصبی مصنوعی به عنوان یک روش نوین، در مدل سازی و پیش بینی فرآیندهایی که برای شناخت و توصیف دقیق آنها راه حل و رابطه صریحی وجود نداشته، موفق بوده است. این تحقیق با هدف بررسی کارایی شبکه عصبی مصنوعی در برآورد مکانی بارش ماهانه انجام گرفت. بدین منظور شبکه عصبی با ساختار پرسپترون چند لایه برای تدوین مدل برآورد مکانی بارش در پنج ایستگاه سینوپتیک و باران سنجی، واقع در استان کردستان، به کارگرفته شد. برای طراحی ساختار مدل در هر ایستگاه، با تغییر پارامترهای قابل تنظیم، (شامل تابع انتقال، قانون آموزش، مقدار مومنتم، تعداد لایه پنهان، تعداد نرون لایه پنهان و تعداد الگوها)، شبکه های عصبی مختلف ساخته و اجرا شد. در هر مورد، ساختاری که کمترین مقدار جذر میانگین مربعات خطا (RMSE) را داشت به عنوان مدل نهایی انتخاب گردید. از آنجا که انتخاب هر یک از پارامترهای متغیر شبکه عصبی مستلزم آزمون و خطاهای مکرر و در نتیجه آموزش تعداد زیادی شبکه با ساختار مختلف بود، از روش الگوریتم ژنتیک برای بهینه یابی این پارامترها استفاده شد و کارایی این روش در بهینه سازی شبکه عصبی بررسی گردید. نتایج نشان داد، شبکه عصبی در مدل سازی و برآورد مکانی بارش ماهانه از دقت بالایی برخوردار است. همچنین تلفیق آن با الگوریتم ژنتیک، برای بهینهسازی شرایط اجرای شبکه عصبی، مثبت ارزیابی گردید و روش تلفیقی در اکثر موارد برتری خود را نسبت به اجرای شبکه عصبی بدون بهینه سازی نشان داد. دقیق ترین مدل در همه ایستگاه های مورد مطالعه، با استفاده از تابع انتقال سیگموئید و قانون آموزش لونبرگ مارکوارت حاصل گردید. در مدل های منتخب، مقدار ضریب تبیین (2R) بین مقادیر خروجی مدل و داده های مشاهده شده در ایستگاه، برابر با 86/0، 89/0، 94/0، 77/0 و 94/0 به دست آمد.
Estimating spatial distribution of precipitation is vital to execute water resources plans, drought, land-use plans environment, watershed management, and agricultural master plans. High variation in amount of precipitation in various parts, lack of measurement stations, and the complexity of relationship between precipitation and parameters affecting it have doubled the importance of developing efficient methods in estimating spatial distribution of precipitation. Artificial neural network has been proved to be efficient as a new way for modeling and predicting the processes for which no solution and explicit relationship has been available in accurately identifying and describing them. The purpose of this study is to investigate the efficiency of artificial neural network in estimating spatial monthly precipitation. To achieve this objective, neural network with multilayer perceptorn topology was employed for preparing model for spatial monthly precipitation in five synoptic and rain-gauge stations located in Kurdistan province. In order to design the topology of the model in each station, as the adjustable parameters (including transfer function, learning rule, amount of momentum, number of hidden layers, number of neurons of the hidden layers, and the number of epochs) changed, different neural networks were made and carried out. In each case, the topology with the minimum amount of root mean square error (RMSE) was selected as the optimal model. Owing to the fact that the selection of each of the variable parameters of neural network necessitated recurring trails and errors, and consequently teaching a large number of networks with various topologies, genetic algorithm method was utilized for finding the optimization of these parameters the efficiency of this method, too, was examined in terms of the optimization of neural network. The findings indicated that neural network enjoys a high degree of accuracy in modeling and estimating spatial distribution of monthly precipitation. In addition, combining it with genetic algorithm method was positively evaluated in optimizing the requirements for executing neural network. In most cases, mixed method proved its superiority over executing neural network without optimization. The most precise model in all of the stations under study was achieved by the use of transfer function, sigmoid, learning rule of Levenberg Marquardt in the selected models, the determination coefficient (R2) observed between the model output amounts and the data observed in station were found to be 0.86 0.89 0.94 0.77 and 0.94.
بارش، شبکه عصبی مصنوعی، الگوریتم ژنتیک
Precipitation, Artificial neural network, Genetic algorithm.
27
44
http://jstnar.iut.ac.ir/browse.php?a_code=A-10-561-2&slc_lang=fa&sid=1
H
Faghih
همایون
فقیه
hfaghih54@gmail.com
000319475328460015547
000319475328460015547
Yes