ترغب بنشر مسار تعليمي؟ اضغط هنا

استخدام الشبكات العصبية الصنعية مع تقنية التحويل المويجي للتنبؤ بالتدفق اليومي الوارد إلى بحيرة سد 16 تشرين

Using Neural Networks models with Wavelet transform technology To Predict Flows Coming into 16 Tishreen Lake

2060   0   105   0 ( 0 )
 تاريخ النشر 2017
والبحث باللغة العربية
 تمت اﻹضافة من قبل Shamra Editor




اسأل ChatGPT حول البحث

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 الأنهار، 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.


ملخص البحث
تتناول هذه الدراسة استخدام الشبكات العصبية الاصطناعية وتقنية التحويل المويجي للتنبؤ بالتدفق اليومي الوارد إلى بحيرة سد 16 تشرين في اللاذقية، سوريا. تم تقسيم البيانات للفترة من 2006 إلى 2012 إلى مجموعتين: تدريب واختبار. استخدمت تقنية التحويل المويجي المتقطع لمعالجة البيانات قبل إدخالها إلى الشبكة العصبية، وذلك للتخلص من مشاكل القيم العظمى والصغرى. تم تحليل السلاسل الزمنية إلى ثلاثة مستويات من الدقة واستخدام السلاسل الفرعية الناتجة كمدخلات للشبكة العصبية أمامية التغذية التي تعتمد على خوارزمية الانتشار العكسي لتدريبها. أظهرت النتائج أن النموذج Wavelet-ANN ذو الهيكلية (1-2-6) هو الأفضل في تمثيل الظاهرة المدروسة والتنبؤ بالجريان اليومي الوارد إلى بحيرة سد 16 تشرين ليوم واحد قادم، حيث بلغ معامل الارتباط 0.96 وجذر مربع متوسط الخطأ 1.97 م³/ثانية. تشير الدراسة إلى أن استخدام الشبكات العصبية الاصطناعية مع تقنية التحويل المويجي يمكن أن يحسن من دقة التنبؤ بالتدفقات اليومية، مما يسهم في تحسين إدارة الموارد المائية والتخطيط لمواجهة الفيضانات والجفاف.
قراءة نقدية
تعتبر هذه الدراسة خطوة مهمة في مجال استخدام التقنيات الحديثة لتحسين دقة التنبؤ بالتدفقات المائية، إلا أن هناك بعض النقاط التي يمكن تحسينها. أولاً، قد يكون من المفيد توسيع فترة البيانات المستخدمة لتشمل سنوات إضافية، مما قد يعزز من دقة النموذج. ثانياً، يمكن استكشاف تأثير عوامل إضافية مثل التبخر ورطوبة التربة على دقة التنبؤ. ثالثاً، يمكن مقارنة أداء النموذج المقترح مع نماذج أخرى مثل الشبكات العصبية العميقة أو نماذج التعلم الآلي الأخرى لمعرفة مدى تفوق النموذج الحالي. وأخيراً، قد يكون من المفيد تطبيق النموذج على مناطق أخرى ذات خصائص هيدرولوجية مختلفة للتحقق من عمومية النتائج.
أسئلة حول البحث
  1. ما هي الفترة الزمنية التي تم استخدام بياناتها في هذه الدراسة؟

    تم استخدام بيانات الفترة من عام 2006 إلى عام 2012 في هذه الدراسة.

  2. ما هي التقنية المستخدمة لمعالجة البيانات قبل إدخالها إلى الشبكة العصبية؟

    تم استخدام تقنية التحويل المويجي المتقطع لمعالجة البيانات قبل إدخالها إلى الشبكة العصبية.

  3. ما هو الهيكل الأفضل للنموذج وفقاً للدراسة؟

    النموذج Wavelet-ANN ذو الهيكلية (1-2-6) هو الأفضل وفقاً للدراسة.

  4. ما هي القيم التي تم تحقيقها لمعامل الارتباط وجذر مربع متوسط الخطأ؟

    بلغ معامل الارتباط 0.96 وجذر مربع متوسط الخطأ 1.97 م³/ثانية.


المراجع المستخدمة
ADAMOWSKI, J, F. River flow forecasting using wavelet and cross-wavelet transform models. Hydrological Processes, 22, 2008, 4877-4891
BOX, G, E, P; JENKINS, G. M .Time Series Analysis: Forecasting and Control. Holden Day Inc; San Francisco, 1976
JAIN, A; SRINIVASULU, S. Development of Effective and Efficient Rainfall- Runoff Models Using Integration of Deterministic, Real-Coded Genetic Algorithms and Artificial Neural Network Techniques. Water Resources Research, Vol. 40, No. 4, 2004, Article ID: W04302. doi:10.1029/2003WR002355
قيم البحث

اقرأ أيضاً

يهدف البحث إلى تحديد مؤشر جودة المياه لبحيرة سد 16 تشرين, و للوصول لهدف البحث تم إجراء تحاليل فيزيائية –كيميائية - جرثومية دورية لمياه البحيرة. تم أخذ العينات من خمسة مواقع على طول البحيرة لمدة سنة كاملة . تم قياس الباراميترات التالية :(درجة الحرارة ,PH, الناقلية الكهربائية ,DO, العكارة, BOD5, النترات , النتريت, الأمونيوم , الفوسفات , عدد العصيات ). تم تمثيل النتائج بيانياً و مقارنتها مع القيم المسموحة لمياه الشرب وفق المواصفات القياسية السورية. كما تم تصنيف البحيرة وفق مؤشرات جودة المياه العالمية : المؤشر الماليزي , مؤشر جودة المياه العالمي NSFWQI, المؤشر المعدل NEWWQI . تم تصنيف مياه البحيرة من الدرجة الثالثة في جميع المواقع وفق المؤشر الماليزي , و من الدرجة الثانية عند وسط البحيرة و من الدرجة الثالثة في باقي المواقع وفقاً للمؤشر (NSFWQI) . تم تصنيفها من الدرجة الثانية في جميع المواقع وفقاً للمؤشر (NEWWQI). بناءً على نتائج المؤشرات تبين أن المياه لا يمكن استخدامها للشرب و تحتاج إلى معالجة . تم تحديد درجة إخصاب مياه البحيرة فوجد أنها مخصبة بالنسبة ل TN وTP عند وسط البحيرة , و شديدة الإخصاب بالنسبة ل TN,TP في باقي المواقع.
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).
شملت الدراسة 132 عينة سمكية تعيش حرة في بحيرة سد 16 تشرين. جمعت تلك الأسماك عشوائياً خلال المدة الممتدة من 22/11/2011 حتى نهاية 22 /10/ 2012 م، بمعدل جولة/ الشهر، للكشف عن الإصابة بمجذافيات الأرجل الطفيلية parasitic copepoda, و تحديد معدل انتشارها، و تأثيرها في الإنتاجية السمكية.
أجريت الدراسة بهدف الكشف عن الخمج بـ Epistylis sp. وتحديد نسبة انتشاره في بحيرة سد 16 تشرين . شملت الدراسة 144 عينة سمكية تعيش حرة في بحيرة السد . جمعت تلك الأسماك عشوائياً خلال الفترة الممتدة من 12/2011 ولغاية 11/2012 م، بمعدل جولة/ الشهر. أنو اع الأسماك المدروسة هي: الكارب العادي (الشائع) Common carp (Cyprinus carpio L,) , والأصفر الدمشقي Varicorhinus damascinus والتريس الزيتي Garra rufa والمشط المرموري ( التيلابيا حمراء البطن) Tilapia zillii والبوري Liza abu. وكان المشط المرموري الأكثر انتشاراً في بحيرة السد. أظهرت الدراسة وجود خمج بالإبريات الخارجية Epistylis sp. عند الأسماك الحرة في بحيرة سد 16 تشرين بنسبة خمج عام بلغت 22.22%، وكانت أكثر انتشاراً عند أسماك المشط المرموري 29.70%، تلاه البوري 2% ولم تسجل أية إصابة عند الأنواع السمكية الثلاثة الأخرى، وقد سجلت الإصابة بالإبريات الخارجية عند أسماك المياه العذبة لأول مرة في سوريا بدراستنا هذه. تركزت الإصابة يالإبريات الخارجية عند الأسماك الحرة في بحيرة سد 16 تشرين على الجلد والزعانف والغلاصم، وكانت أكثر تموضعاً على الزعانف بمعدل انتشار بلغ 42.34%، يليها الجلد 37.46%، في حين كانت أقل انتشاراً على الغلاصم 1.87%. سجلت أعلى إصابات بالإبريات الخارجية عند الأسماك الحرة في بحيرة سد 16 تشرين في فصل الصيف بمعدل إصابة 47.76%، وقد تزامن ذلك مع ارتفاع درجة الحرارة وانخفاض تركيز الأكسجين المنحل بالماء، وارتفاع طفيف بقيمة الـ BOD، في حين لم تسجل أية إصابات في فصلي الشتاء والربيع. أظهرت الدراسة أن بحيرة سد 16 تشرين من البحيرات النظيفة نسبياً
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