پیش بینی دمای ماکزیمم هوا با استفاده از شبکه عصبی
پیش بینی دمای ماکزیمم هوا با استفاده از شبکه عصبی
مقدمه
بشر همواره در طول تاریخ بر آن بوده تا آینده را بر اساس گذشته پیش بینی کند تا تدابیر لازم برای حوادث در شرف وقوع را اتخاذ کند.
که این تلاش ها گاها پایه گذار علوم مختلفی گردیده است یکی از علوم هواشناسی است که انسان ها به طور روزمره و خواه ناخواه با آن برخورد دارند.
پیش بینی هوا در واقع از سیستم های غیرخطی و پیچیده و فاقد مدل ریاضی است که بدلیل تغییرپذیر بودن با زمان،روش های معمول پیش بینی امکان پیش بینی را غیرممکن و از طرفی با توجه به دارابودن اهمیت پیش بینی در زمینه های مختلف از جمله امور اقتصادی،نظامی و کشاورزی،ضرورت پیش بینی مطرح می شود.
در این میان برآورد دما به عنوان یکی از عناصر مهم اقلیمی که پدیده ای غیرخطی و متغییر با زمان و مکان است و عوامل اقلیمی و جغرافیایی زیادی در آن موثرند دارای اهمیت فراوان خواهد بود.
که از نتایج آن می توان در کنترل بیماری ها،مدیریت منابع آبی،مطالعات زیست محیطی ،خشکسالی و غیره استفاده نمود.
کارهایی که در زمینه برآورد صورت گرفته اعم از برآوردهای خطی و غیرخطی حاکی از آن است که امکان برآوردهای کوتاه مدت و بلند مدت داده های اقلیمی با دقت محدود وجود دارد.
امروزه محققین،با ابداع و پیشرفت علومی چون روش های هوشمند که ابزاری توانمند و انعطاف پذیر هستند،در جستجوی راه هایی فراتر از روش های متداول در شناخت و پیش پینی پارامترهای مهم هواشناسی می باشند یکی از این روش ها،شبکه های عصبی مصنوعی که از مولفه های هوش مصنوعی است که توانایی تقریب و محاسبه هر تابع حسابی و منطقی را دارند.
پال و همکاران (2002)به نقل از احمدی به منظور پیش بینی حداکثر و حداقل دمای سطح زمین یک شبکه عصبی از نوع پرسپترون چندلایه را طراحی کردند و خطای پیش بینی را بین مثبت و منفی 2درجه سانتیگراد برآورد کردند(1).
جین(2003)دمای هوا را برای هشدار درباره یخبندان در منطقه جورجیا با استفاده از شبکه های عصبی برای یک تا دوازده ساعت آینده پیش بینی کرد(2).
رحمان و همکاران(2008) از دما و رطوبت نسبی با دوره آماری از 1998تا 2002 جهت برآورد تابش خورشیدی در شهر آب های عربستان سعودی استفاده کردندنتایج آن هانشان داد که شبکه عصبی قادرند تابش خورشیدی را از دما و رطوبت نسبی برآورد کنند(3).
سنکال و همکاران(2009)با استفاده شبکه عصبی و داده های ماهواره ای،تابش خورشید رادر سطح ترکیه برآورد کردند(4).
علیجانی و قویدل رحیمی با استفاده از روش های رگرسیون خطی و شبکه های مصنوعی به مقایسه و پیش بینی تغییرات دمای سالانه تبریز با ناهنجاری های دمایی کره زمین پرداختند و نشان دادند که مدل های شبکه عصبی بسیار قوی تر از مدل های خطی و نیمه خطی عمل می کنند(5).
کاراموز و همکاران(1385)با استفاده از شبکه عصبی به پیش بینی بلندمدت بارش حوضه های غربی ایران پرداختند(6).
بنابراین هدف از این پژوهش پیش بینی دمای ماکزیمم روزانه هوا با استفاده از شبکه عصبی استاتیک و دینامیک و بررسی نتایج می باشد.
روش ها پیش بینی هوا
روش های قابل استفاده در پیش بینی هوا را می توان پیش بینی هوا با رگرسیون خطی و با شبکه عصبی را ذکر نمود.
در این مقاله پیش بینی هوا با استفاده از شبکه عصبی را مورد بررسی قرار دادیم و با توجه به مقاله(7)که خطای رگرسیون خطی را نیز به همراه خطای شبکه عصبی مقایسه نموده و به این نتیجه رسیده است که خطای شبکه عصبی از رگرسیون بسیار کمتر است در نتیجه از مقایسه ای دو روش در این مقاله اجتناب کردیم.
عوامل موثر در پیش بینی هوا
عواملی که در پیش بینی هوا موثر هستند عبارتند از:
- جهت باد
- سرعت باد
- میزان ابرناکی هوا(عددی بین 0 تا 8)
- فشار QFE(فشاری که جو به زمین اعمال می کند)
- فشار QFF
- ساعات آفتابی
- رطوبت نسبی
- دمای خشک
- دمای تر
- و….
یکی از عوامل تاثیر گذار در شبکه عصبی انتخاب پارامترهای موثر در پیش بینی هوا است که با استفاده از پژوهشی که در سازمان هواشناسی صورت گرفته پارامترهای زیر به عنوان پارامترهای اصلی برای ورودی شبکه عصبی انتخاب شده است:
- سرعت باد
- رطوبت نسبی
- فشارQFE
- دمای خشک
- ساعت آفتابی
منطقه وداده های مورد استفاده
در این پژوهش ما از داده های 3 شهر
- اصفهان
- قزوین
- ساری
استفاده کردیم که در ادامه هر 3شهر را مورد بررسی قرار می دهیم.
داده های موجود هر شهر 4سال(1460روز)که ما برای تست شبکه در فصول مختلف،داده های 3سال(1095روز)را برای آزمایش شبکه و داده های 1سال(365روز) را برای تست شبکه انتخاب کردیم.
1)اصفهان
شهر اصفهان با وسعت106179کیلومترمربع و جمعیتی بالغ بر 1534000در مرکزایران واقع شده است.
هوای شهر اصفهان خشک و دارای فصول منظم می باشد.
2)قزوین
ارتفاع شهر قزوین از سطح دریا ۱۲۷۸ است.
میانگین دمای سالانه شهر قزوین ۱۳ درجه است.
آب و هوای شهر قزوین بخاطر هم جواری با رشته کوههای البرز از ناحیه شمال در تابستان خنک و در زمستان سرد است.
میانگین میزان بارش شهر قزوین سالانه ۳۰۲ میلیمتر است.
قزوین به دلیل قرار گرفتن در گلوگاه ارتباطی استانهای شمالی و غربی کشور، نزدیکی به تهران، دارابودن چندین شهر صنعتی و نیز برخورداری از چندین دانشگاه -از جمله دانشگاههای بینالمللی امام خمینی، علوم پزشکی و آزاد اسلامی- و شماری دانشگاه غیردولتی از موقعیت خوبی برخوردار است.
این شهر از لحاظ جمعیت بیست و یکمین شهر پرجمعیت ایران به شمار می آید و در سال ۱۳۹۰ خورشیدی بالغ بر ۳۸۱،۵۹۸ نفر بودهاست.
قزوین به علت دارا بودن ۲ هزار و ۵۰۰ هکتار باغستان در اطراف شهر و وجود بوستان ۱۴۰۰ هکتاری باراجین در سال ۱۳۹۲ از سوی معاون رئیس جمهور و رئیس سازمان حفاظت محیط زیست کشور به عنوان شهر پاک ایران انتخاب شد .
3)ساری
شهر ساری با وسعت3923کیلومترمربع و جمعیتی بالغ بر 250000در شمال ایران واقع شده است.
هواي قسمت جلگهاي ساري مرطوب و معتدل و هواي قسمت كوهستاني آن سردسيري است.
نحوه ارزیابی شبکه
ما در این مقاله 3معیار را برای ارزیابی شبکه انتخاب کردیم
1)انحراف معیار
توسط فرمول زیر معرفی می شود
که در اینجاX مقدار مشاهده شده و Y مقدار پیش بینی شده
2) درصد خطای برآورد داده ها
3) درصد خطای زیر2C±
پیش بینی هایی که سازمان هواشناسی انجام می دهد با خطای 2C±است که ما این معیار را در این مقاله در نظر گرفتیم و با پیش بینی هایی که این سازمان با تمام امکانات انجام می دهد مقایسه می کنیم.
شبکه عصبی
ما در این مقاله از دو نوع شبکه استفاده کردیم
- شبکه عصبی استاتیک
شبکه عصبی پیش رو با انتشار خطا به عقب(back propagation)
شبکه عصبی مبتنی برتابع پایه شعاعی
- شبکه عصبی دینامیک
شبکه عصبی TDNN
شبکه عصبی ELMAN
شبكه عصبي پيش رو با انتشار خطا به عقب
یکی از معمول ترین شبکه های عصبی مورد استفاده با داشتن یک مجموعه داده به عنوان ورودی و یک مجموعه داده خروجی شبکه عصبی چند لایه با الگوریتم انتشار خطا به عقب است که خود شامل دو فاز مي¬باشد؛ فاز اول فاز رو به جلو و فاز دوم فاز بازگشت .
اين ساختار در شكل1 نشان داده شده است.
به اين ترتيب در در این مقاله از تکنیک بهینه-سازی Levenberg-Marquardt که تقریبی بر روش نیوتن است استفاده شده است. (8)
شکل 1
نتايج استفاده از اين ساختار با استفاده از تعداد نرونهاي متفاوت در لاية پنهان در جدول1 آمده است.
همچنین ما در این مقاله از تکنیک گرادیان توام نیز استفاده نمودیم که نتایج آن مشابه Levenberg-Marquardشد.
به ازای تابع محرک tansig در لایه پنهان اول و تابع purelin در لایه خروجی به بهترین خروجی نسبت به تابع دیگر دست یافتیم.
نتایج حاصل از شبکهMLP اصفهان
درصد خطای زیر 2درجه |
انحراف معیار | درصد خطای برآورد داده تست | درصد خطای برآورد داده آموزش | تعداد نرون |
78 | 1.94 | 7.5 | 12 | 4 |
76 | 1.98 | 7.5 | 11.5 | 6 |
73 | 2.2 | 7 | 11 | 8 |
72 | 2.28 | 7.6 | 11 | 10 |
78 | 1.78 | 6.6 | 11.7 | 2-4 |
بهترین نتیجه با دو لایه پنهان4-2
درصد خطای زیر 2درجه |
انحراف معیار | درصد خطای برآورد داده تست | درصد خطای برآورد داده آموزش | تعداد نرون |
74 | 2.31 | 7.8 | 11 | 4 |
78 | 3.8 | 9 | 11 | 6 |
71 | 3.38 | 8.4 | 11 | 8 |
67 | 2.96 | 9.2 | 9.6 | 10 |
75 | 3.43 | 8 | 12 | 2-4 |
نتایج حاصل از شبکهMLPقزوین
بهترین نتیجه با یک لایه پنهان با 4نرون
نتایج شهر ساری
درصد خطای زیر 2درجه |
انحراف معیار | درصد خطای برآورد داده تست | درصد خطای برآورد داده آموزش | تعداد نرون |
%56 | 2.98 | 14 | 11 | 4 |
%51 | 3.16 | 15 | 11 | 6 |
%56 | 3 | 14 | 10 | 8 |
%57 | 2.95 | 13 | 10 | 10 |
%55 | 3.08 | 15 | 11 | 2-4 |
نتایج حاصل از شبکهMLPساری
مقایسه 3شهر در بهترین حالت
درصد خطای زیر 2درجه |
انحراف معیار | درصد خطای برآورد داده تست | درصد خطای برآورد داده آموزش | شهر |
78% | 1.78 | 6.6 | 11.6 | اصفهان |
74% | 2.31 | 7.8 | 11 | قزوین |
55% | 2.95 | 13 | 10 | ساری |
اصفهان بدلیل داشتن فصول منظم و کم بودن تغییرات آب و هوایی نسبت به دو شهر دیگر دارای عملکرد بهتر بوده است.
دلیل خطای زیاد ساری نسبت به دو شهر دیگر داشتن تغییرات آب و هوایی نسبتا زیاد می باشد.
بهترین راه برای پیش بینی این گونه شهرها پیش بینی فصلی است،فصلی که تغییرات آن کم باشد.
به عنوان مثال اگر ما داده ها تابستان را در نظر بگیریم خطا کاهش می یابد.
2-1 شبکه عصبی مبتنی برتابع پایه شعاعی
این شبکه دارای دو لایه می باشد که ورودی تابع محرک لایه اول از ضرب بایاس با بردار فاصله بین بردارهای وزنwو بردار ورودیp می باشد.
این شبکه ها برای جداسازی نواحی در فضا از سطوح زنگوله ای شکل استفاده می کنند که در شکل زیر مشاهده می کنید.
در این شبکه ها با معرفی مقدار بازشدگی سطح زنگوله ای(spread)،تقسیم فضای الگوها صورت می گیرد.ساختار شبکه RBF در شکل2 نمایش داده شده است.(9)
نتایج این شبکه در جداول زیر آمده است
درصد خطای زیر 2درجه |
انحراف معیار | درصد خطای برآورد داده تست | درصد خطای برآورد داده آموزش | شعاع |
23% | 14.22 | 61 | صفر | 0.1 |
18% | 743 | 580 | صفر | 1 |
72% | 2.53 | 8.5 | 8.5 | 19 |
77% | 2.17 | 7.4 | 9.8 | 37 |
80% | 1.9 | 6.8 | 11 | 135 |
نتایج حاصل از شبکهRBF شهر اصفهان
در حالت شعاع 135
نتایج حاصل از شبکهRBF شهر قزوین
درصد خطای زیر 2درجه |
انحراف معیار | درصد خطای برآورد داده تست | درصد خطای برآورد داده آموزش | شعاع |
12% | 13.37 | 64 | صفر | 0.1 |
7% | 421 | 368 | صفر | 1 |
63% | 144 | 59 | 8 | 19 |
70% | 111 | 33 | 10 | 37 |
72% | 47.1 | 22 | 11 | 135 |
نتایج حاصل از شبکهRBF شهر ساری
درصد خطای زیر 2درجه |
انحراف معیار | درصد خطای برآورد داده تست | درصد خطای برآورد داده آموزش | شعاع |
%28 | 7.71 | 53.72 | 0.1 | 0.1 |
%20 | 36 | 102 | 0.1 | 1 |
%53 | 4.14 | 16 | 8.9 | 19 |
%50 | 3.57 | 16 | 10 | 37 |
%51 | 3.2 | 15 | 11 | 135 |
مقایسه3شهر بهترین حالت
درصد خطای زیر 2درجه |
انحراف معیار | درصد خطای برآورد داده تست | درصد خطای برآورد داده آموزش | شهر |
78% | 1.78 | 6.6 | 11.6 | اصفهان |
74% | 2.31 | 7.8 | 11 | قزوین |
55% | 2.95 | 13 | 10 | ساری |
در اینجا هم همانند شبکه MLP شهر اصفهان بهترین نتیجه را به ما می دهد.
مشاهده شد که اگر پارامتر ساعت آفتابی را از داده های شهر قزوین برداریم در شعاع135 نسبت به قبل جواب بهتری را به ما می دهد(انحراف معیارحدود 7 می شود)به این معنی که ما در این حالت پیش بینی نامعقول نسبت به قبل کمتر خواهیم داشت.
2)شبکه های عصبی دینامیک
1-2شبکه عصبی TDNN
یکی از سادهترین شبکههای عصبی دینامیک شبکه عصبی TDNN است که شامل استفاده از یک شبکة پیشرو بر روی یک سری زمانی از ورودیهاست.
در شکل3 ، یک شبکة دولایه نشان داده شده است.
شکل 3
نحوه عملکرد این شبکه در این مقاله به ازای تاخیر 3روز در شکل 4 نمایش داده شده است.
شکل4
نتایج این شبکه در جداول زیر آورده شده است
نتایج حاصل از شبکهTDNNبرای شهر اصفهان
درصد خطای زیر 2درجه |
انحراف معیار | درصد خطای برآورد داده تست | درصد خطای برآورد داده آموزش | تعداد تاخیر |
65% | 2.43 | 9 | 16 | 2 |
61% | 2.47 | 9 | 16 | 3 |
57% | 2.67 | 10 | 16 | 4 |
52% | 2.82 | 11 | 18 | 5 |
55% | 2.57 | 10 | 14 | 6 |
58% | 2.53 | 10 | 15 | 7 |
59% | 2.69 | 10 | 13 | 8 |
در حالت 2روز تاخیر
نتایج حاصل از شبکهTDNNبرای شهر قزوین
درصد خطای زیر 2درجه |
انحراف معیار | درصد خطای برآورد داده تست | درصد خطای برآورد داده آموزش | تعداد تاخیر |
50% | 3.18 | 11 | 20 | 2 |
54% | 3.39 | 11 | 18 | 3 |
51% | 3.19 | 12 | 22 | 4 |
53% | 3.13 | 11 | 19 | 5 |
49% | 3.46 | 12 | 16 | 6 |
52% | 3.04 | 11 | 19 | 7 |
53% | 3.15 | 10 | 17 | 8 |
در حالت 8تاخیر
نتایج حاصل از شبکهTDNNبرای شهر ساری
درصد خطای زیر 2درجه |
انحراف معیار | درصد خطای برآورد داده تست | درصد خطای برآورد داده آموزش | تعداد تاخیر |
48% | 3.85 | 18 | 15 | 2 |
44% | 3.8 | 19 | 14 | 3 |
44% | 3.92 | 21 | 16 | 4 |
46% | 3.96 | 19 | 14 | 5 |
45% | 3.93 | 18 | 14 | 6 |
45% | 3.98 | 18 | 15 | 7 |
41% | 3.94 | 19 | 15 | 8 |
در حالت 2تاخیر
مقایسه3شهردر شبکهTDNN
درصد خطای | انحراف معیار | درصد خطای برآورد داده تست | درصد خطای برآورد داده آموزش | شهر |
65% | 2.43 | 9 | 16 | اصفهان |
53% | 3.15 | 10 | 17 | قزوین |
48% | 3.8 | 19 | 14 | ساری |
2-2شبکه عصبی ELMAN
شبكه عصبي بازگشتي چند لايه(ELMAN) يكي از شبكههاي عصبي ديناميك است كه در ساختار آن، يك حلقة فيدبك با تأخير واحد حول هر لايه از شبكه وجود دارد.
این اتصال برگشتی به شبکه در تشخیص و تولید الگوهای time-varyingکمک می کند.
شكل سادهتر اين ساختار كه فقط شامل دولايه بوده و تابع تحريك ورودي و خروجي آن به ترتيب tansigmoid و purelin است شبكة ELMAN نام دارد.
از الگوریتم LMبرای یادگیری این شبکه استفاده شده است.
نتایج حاصل از شبکهELMANبرای شهر اصفهان
خطای زیر 2 درجه | انحراف معیار | درصد خطای برآورد داده تست | درصد خطای برآورد داده آموزش | تعداد نرون |
76% | 1.92 | 7.22 | 12.26 | 2 |
80% | 1.81 | 6.68 | 12.45 | 3 |
76% | 1.94 | 7.28 | 11.63 | 4 |
76% | 1.90 | 7.27 | 12.63 | 5 |
76% | 2.37 | 7.39 | 11.72 | 6 |
74% | 1.92 | 7.38 | 12.38 | 7 |
78% | 1.91 | 7 | 11.75 | 8 |
در حالت 3نرون
نتایج حاصل از شبکهELMANبرای شهر قزوین
خطای زیر 2 درجه | انحراف معیار | درصد خطای برآورد داده تست | درصد خطای برآورد داده آموزش | تعداد نرون |
70% | 2.75 | 8.2 | 13.75 | 2 |
72% | 2.57 | 8.4 | 12 | 3 |
74% | 1.94 | 7.3 | 12 | 4 |
65% | 2.47 | 8.69 | 12.28 | 5 |
75% | 1.97 | 7.4 | 11.9 | 6 |
72% | 2.66 | 8 | 12 | 7 |
74% | 3.28 | 8.2 | 11.72 | 8 |
در حالت4نرون
نتایج حاصل از شبکهELMANبرای شهر ساری
خطای زیر 2 درجه | انحراف معیار | درصد خطای برآورد داده تست | درصد خطای برآورد داده آموزش | تعداد نرون |
54% | 3.09 | 16 | 12 | 2 |
55% | 2.99 | 14.34 | 11.58 | 3 |
54% | 2.98 | 14 | 11 | 4 |
54% | 3 | 14 | 11 | 5 |
52% | 3.13 | 14 | 12 | 6 |
56% | 3.03 | 14.32 | 11.49 | 7 |
56% | 3.03 | 14.5 | 11.48 | 8 |
در حالت 7نرون
بررسی نتایج 3شهر
خطای زیر 2 درجه | انحراف معیار | درصد خطای برآورد داده تست | درصد خطای برآورد داده آموزش | شهر |
80% | 1.81 | 6.68 | 12.45 | اصفهان |
74% | 1.94 | 7.3 | 12 | قزوین |
56% | 3.03 | 14.32 | 11.49 | ساری |
نتایج
تغییرات ناگهانی آب و هوا تاثیر بسزایی در پیش بینی آب و هوا می گذارد همانطور که در نتیجه تست شبکه های انجام شده در این پژوهش ملاحضه فرمودید شهر اصفهان بدلیل داشتن تغییرات کم آب و هوا بهترین نتیجه را نسبت به دو شهر دیگر داشت.
این نکته قابل ذکر است که دلیل دیگری که در پیش بینی موثر است،گرمای نهان است که به دو عامل تبخیر و بارش بستگی دارد و شهر ساری بدلیل داشتن روزهای بارانی زیاد نسبت به 2شهر آزمایش شده،خطای بیشتری دارد.
در مقایسه دو شبکه عصبیRBFوMLP،شبکه MLPجواب بهتری نسبت به شبکه RBF در این پیش بینی به ما می دهد.
شبکه TDNN در این پژوهش نسبت به شبکه های دیگر بدترین پیش بینی را انجام می دهد.شاید دلیل آن پارامترهای ورودی باشد که کمکی به یافتن جواب مطلوب به شبکه نمی کند.
شبکه ELMANبا تعداد نرون های کم نسبت به MLP جواب نسبتا مشابهی را به ما می دهد.
با وجود اینکه شبکه MLP جز گروه شبکه های استاتیک می باشد و پژوهش ما جز تابع های سری زمانی(وابسته به زمان) می باشد ولی این شبکه جواب مطلوبی را به ما می دهد که یکی از دلایل مطلوب بودن جواب انتخاب پارامترهای مناسب ورودی برای این شبکه ذکر کرد .
مراجع
1.احمدی.الف،”طبقه بندی تغییرات بارش بوشهر با استفاده از شبکه عصبی مبتنی بر مدل خودسازمانده کوهنن“
2-Jain, A., “Predicting Air Temperature For Frost Waning Using Artificial Neural Networks”, A Thesis
Submitted to the Graduate Faculty of The University of Georgia in Partial Fulfillment of the Requirements
for the Degree MASTER OF SCIENCE, ATHENS, GEORGIA,2003.
-3 -Rehman, S. and Mohandes, M. “Artificial neural network estimation of global solar radiation using air
temperature and relative humidity”, Energy Policy, vol (36), 2008.
4 -Senkal, O. and Kuleli, T., “Estimation of solar radiation over Turkey using artificial neural network
and satellite data”, Applied Energy, vol (86), 2009.
5-علیجان,”مقایسه و پیش بینی تغییرات دمای سالانه تبریز”مجله جغرافیا وتوسعه1384
6-کارآموز،م رمضانی،”پیش بینی بلند مدت بارش با استفاده از سیگنال های هواشناسی”هفتمین کنگره مهندسی عمران،1385
-7برومند صلاحی و همکاران،”پیش بینی دماهای حداکثر شهرستان اردبیل با استفاده از مدل رگرسیون چندگانه و شبکه های عصبی مصنوعی”،همایش ملی بحران آب در کشاورزی
8-م منهاج،”مبانی شبکه عصبی”
-9Simon Haykin, Neural Networks, Macmillan
College Publishing Company, 1999.
همانطور که میدانیم این یک پروژه کامل هست و میتوانید جهت تهیه فایل های شبیه سازی با متلب و گزارش آن و فایل های پاورپوینت از زیر اقدام نمایید
دیدگاه خود را ثبت کنید
تمایل دارید در گفتگوها شرکت کنید؟در گفتگو ها شرکت کنید.