شبکه عصبی ژئومورفو- هیدرولوژی

تجزیه و تحلیل شبکه های عصبی مصنوعی ژئومورفولوژیکی[1] در برآورد رواناب مستقیم

در حوضه جاجرود (زیر حوضه امامه)

دکتر علی نصیری[2]

 استاد یار دانشگاه پیام نور مرکز ارومیه

 دکتر مجتبی یمانی[3]

دانشیار  دانشکده جغرافیا  - دانشگاه تهران

 

چکیده:

           هدف عمده این پژوهش برآورد رواناب از طریق تجزیه و تحلیل روابط بارش- رواناب بر اساس داده های کمی ژئومورفولوژی و با استفاده از تکنیک شبکه های عصبی مصنوعی ژئومورفولوژیکی در حوضه امامه از زیر حوضه های  جاجرود است. در مطالعه حاضر بر مبنای ساختمان ژئوموفولوژی شبکه هیدرولوژی حوضه مورد نظر، یک سیستم شبکه عصبی ژئومورفولوژیکی سه لایه ای با تعداد نودهای میانی برابر تعداد مسیرها یا وضعیت های ژئومورفولوژیکی شبکه هیدرولوژی حوضه به منظور برآورد رواناب مستقیم ایجاد گردید. وزنهای مربوط به اتصالات درون شبکه ای ساختمان آن مدل با استفاده از متغیرهای ژئومورفولوژی تعیین شد. نتایج به دست آمده از مدل شبکه ای مذکور با اطّلاعات حاصل از مشاهدات مستقیم به منظور نشان دادن کارائی آن مقایسه شد. ارزیابی نتایج، حاکی از عملکرد بسیار خوب() مدل شبکه ژئومورفولوژیکی در تعیین پاسخ های هیدرولوژیکی حوضه مورد مطالعه است. بدین وسیله، مدل مذکور ارجحیت خود را نسبت به روشهای رایج و معمول نشان می دهد.

کلید واژه گان: شبکه های عصبی مصنوعیANN،  شبکه های عصبی مصنوعی ژئومورفولوژی GANN،  حوضه آبخیز جاجرود، زیر حوضه امامه .  

 

مقدمه

          هر واحد هیدرولوژی (حوضه آبخیز) یک واحد ژئومورفولوژی نیز به حساب می آید و دارای یک معماری یا چشم انداز ژئومورفولوژیکی خاص و بی نظیر است. در این رابطه برای نمونه، حوضه مورد مطالعه نیز دارای معماری ژئومورفولوژیکی ویژه ای است که متفاوت از ساختمان های ژئومورفولوژی مجاور است. نوع سیستم های مورفوژنز حاکم بر آن الگوهای خاصی از پدیده های مورفولوژی نظیر دامنه و کانالهای آبراهه ها را در واحدهای بزرگ و زیر واحدهای مورفوژنز موجب شده است که به ژئومورفولوژی (با توپولوژی) ویژه ای از سیستم شبکه هیدرولوژی منجر گردد. ساختار ژئومورفولوژی سیستم شبکه، نقش تعیین کننده ای در رفتارهای هیدرولوژی و یا روابط بارش – رواناب و پیچیده گی آن ایفا می کند.

استفاده از الگوهای طبیعی نظیر شبکه های عصبی در حل مسائل مختلف و در علوم متفاوت به دهه های اخیر باز می گردد. مطالعات پیشین در خصوص استفاده از روش های شبکه های عصبی در پردازش تصاویر ماهواره ای (جان ریچارد1998) در مطالعات گوناگون مربوط به هیدرولوژی مانند مدل سازی بارش – رواناب با استفاده از شبکه های عصبی مصنوعی و مدل مفهومی توسط محققانی مانند ا. سزین توکار[4] و همکاران 2000، محدودیت شبکه های عصبی مصنوعی در مدل سازی بارش- رواناب ان. جی. ده وز[5] و همکاران 2005 و همچنین به کارهای کوندا سرامالیا[6] و همکاران، امین الشوربقی[7] و همکاران، اشاره نمود. لیکن در مطالعات ژئومورفولوژی–هیدرولوژی تحقیقات انگشت شماری در سطح دنیا انجام گرفته و گزارش شده است. از جمله می توان به مطالعات شبکه های عصبی ژئومورفولوژی در برآورد رواناب مستقیم توسط بین زانگ و رائو گوینراجو[8] اشاره نمود. در ایران از این قبیل مطالعات تخصّصی هنوز چندان کاری نشده است.

تحقیق حاضر در حوضه امامه یکی از زیر حوضه های جاجرود به شمار می آید. این حوضه بخشی ار دامنه های جنوبی البرز مرکزی را شامل مس شود. موقعیت آن بین عرض جغرافیایی 57 دقیقه 35 درجه تا 20 ثانیه 51 دقیقه و 35 درجه شمالی و طول 30 ثانیه و 38 دقیقه و 51 درجه تا 30 ثانیه و 32 دقیقه و 51 درجه شرقی است، که در شرق جاده لشکرک – شمشک در فاصله 28 کیلومتری شمال شرقی تهران قرار گرفته است.

مواد و روشها

انجام این پژوهش طی چند مرحله محقق شده است؛ نخست مطالعات پیشین و یافته های محققین قبلی گردآوری شده است. همچنین اسناد و مدارک و داده های دخیل از قبیل داده های زمین شناسی، توپوگرافی، عکس های هوایی و تصاویر ماهواره ای سه بعدی و همچنین اطلاعات مفیدی از طریق مطالعات میدانی از حوضه جمع آوری شده است. سپس با تجزیه و تحلیل آنها، اطلاعات اولیه مورد نیاز نظیر تولید لایه های TIN، DTM، جهت جریان در شبکه آبراهه ها، زونهای همزمان تمرکز و اطّلاعات مربوط به شبکه آبراهه ها تولید شده اند.

          بخش عمده کار در این تحقیق مبتنی بر مطالعات و کارهای میدانی بوده است. در انجام  کار میدانی از نقشه ها ی توپوگرافی 1:50000، عکس های هوایی 1:40000، دوربین عکاسی  و مشاهدات مسقیم به عنوان ابزار فیزیکی اصلی تحقیق برای تعیین و توجیه عوارض ژئومورفولوژی و نیز تعیین موقعیت و جمع آوری آنها استفاده بعمل آمده است. در تمامی این مراحل مشاهدات مستقیم و همچنین تعیین ماهیت عوارض در انتقال اطّلاعات جزئی و یا میکروژئومورفولوژی به نقشه ژئومورفولوژی تهیه شده با هدف نشان دادن تنوع مورفوژنتیکی عوارض از مهمترین مراحل محسوب می شوند.

شبکه های عصبی، مجموعه ای بسیار عظیم از پردازشگرهایی موازی به نام نورون اند که به صورت هماهنگ برای حلّ مسئله عمل می کنند و توسط سیناپس ها (ارتباط های الکترومغناطیسی) اطّلاعات را منتقل می کنند. در این شبکه ها اگر یک سلول آسیب ببیند بقیه ی سلولها می توانند نبود آنرا جبران کرده و نیز در بازسازی آن سهیم باشند. این شبکه ها قادر به یادگیری هستند. مثلاً با اعمال سوزش به سلولهای عصبی لامسه، سلولها یاد می گیرند که به طرف جسم داغ نروند و با این الگوریتم سیستم
می آموزد که خطای خود را اصلاح کند[9]. یادگیری در این سیستم ها به صورت تطبیقی صورت می گیرد، یعنی با استفاده ازمثال ها وزن سیناپس ها به گونه ای تغییر می کند که در صورت دادن ورودی های جدید سیستم پاسخ درستی تولید کند(رفیعی 1385).

به طور خلاصه یک شبکه عصبی باید خصوصیات زیر را داشته باشد:

 باید بتواند الگوها را طبقه بندی کند.  به اندازه کافی کوچک باشد تا از نظر فیزیکی واقع گرایانه باشد. با به کار گیری آموزش، قابل برنامه ریزی باشد و قدرت یادگیری داشته باشد. یعنی توانایی تنظیم پارامترهای شبکه ( اوزان سیناپتیکی )، در مسیر زمان که محیط شبکه تغییر می کند و شبکه وارد شرایط جدیدی می شود. هدف از این کار این است که اگر شبکه برای یک وضعیت خاص آموزش دید و تغییر کوچکی در شرایط محیطی شبکه رخ داد، شبکه بتواند با آموزش مختصر، برای شرایط جدید نیز کارآمد باشد. دیگر این که اطلاعات در شبکه های عصبی در سیناپس ها ذخیره و هر نرون در شبکه به صورت بالقوه از کل فعالیت سایر نرون ها تأثیر می پذیرد. در نتیجه اطلاعات از نوع مجزا از هم نبوده و متأثر از کل شبکه می باشد. توانایی تعمیم را با استفاده از مثال های ارائه شده در فرایند آموزش، داشته باشد(منبع   21).  شبکه از تعداد دلخواهی سلول یا گره یا واحد یا نرون تشکیل می شود  که مجموعه ورودی را به خروجی ربط می دهند(شکل 1). مشابهت نظام ساختاری دو سیستم شبکه های عصبی مصنوعی با شبکه هیدرولوژیکی حوضه امکان توسعه این مدل را فراهم می نماید(شکل 2). هر دوی سیستم های مذکور دارای ساختار شبکه ای بوده و همچنین شامل سیگنال های جریانی از ورودی به خروجی هستند. تابع احتمال مسیر() براساس داده های ژئومورفولوژی حوضه تعیین می شود. لیکن تابع چگالی احتمال زمان پیمایش را نمی توان به تنهائی از داده های ژئوموفولوژی به دست آورد. در مدل های ژئومورفولوژیکی فرضیات متفاوتی برای توزیع زمان پیمایش مانند توانی (رودریگوز - ایترب و والدیز 1979) یکنواخت (گپتا و همکاران 1980) گاما (جین[10] 1992) در نظر گرفته شده است.

                سلول عصبی طبیعی                                                    سلول عصبی مصنوعی  

شکل 1 سلول های عصبی طبیعی و مصنوعی(قاسمی و منطقی1386)

 

 

شکل 2 تشابه شبکه عصبی و شبکه مصنوعی(قاسمی و منطقی1386)

در این مطالعه از مدل GANN سه لایه ای که از عناصر پردازشی غیر خطی برای تعیین زمان های پیمایش بهره می جوید، استفاده شده است. مدل GANNیک شبکه عصبی مصنوعی سه لایه ای با تعداد نود های میانی برابر تعداد مسیرهای ژئومورفولوژیکی شبکه هیدرولوژی حوضه مورد مطالعه می باشد. وزن های ارتباطی بین لایه میانی و لایه خروجی از طریق داده های کمی ژئومورلوژیکی مانند مقادیر احتمالات مسیر های ژئومورفولوژیکی سیستم شبکه هیدرولوژی (احتمال عبور قطرات آب از مسیرهای ژئومورلوژیکی مختلف ) تعیین گردیدند. ابتدا ورودیهای  مدل مذکور رشته های از بارش مازاد با فواصل زمانی مشخص است. معمولا تعداد فواصل زمانی نشان دهنده زمان پایه هیدروگراف واحد است. تابع فعّال سازی زیگموید برای نود های لایه میانی استفاده شده است.

             مدل GANN  در ماهیّت توزیع زمان پیمایش و سرعت جریان سطحی  هیچگونه فرضیاتی را  مدّ نظر قرار نمی دهد. وزن های بین لایه ورودی و لایه میانی[11]   نشان دهنده اثر زمان پیمایش است. این وزنها آموزش دهنده سیستم و کنترل کننده پایگاه داده های آن هستند. مقادیر   وزن های پیوندی مدل GANN بین لایه های میانی و خروجی آن می باشند. تعداد نودها[12] در لایه میانی برابر تعداد مسیر های شبکه هیدرولوژی حوضه است.  باید توجّه کرد که ژئومورفولوژی حوضه تعیین کننده معماری شبکه هیدرولوژی است وتعیین کننده بارش مازاد می باشد( بین و همکاران  2003  1995سورمن[13]  ، بیهان[14] 20001). مدل GANN به صورت زیر تعریف می گردد(، بین و همکاران 2003).

                              (1)                                                      

        ورودی  ام،  نشان دهنده وزن ارتباطی بین نودام در لایه ورودی و نود ام در لایه میانی است.   تعداد نود ها در لایه میانی،  عبارت است از احتمال عبور قطره آب از مسیرام و  تابع سیگموید به صورت زیر است (بین و همکاران 2003) :

                               (2)                                                                     

در نتیجه وزن های پیوندی لایه میانی به لایه خروجی بوسیله این احتمالات عناصر ژئومورفولوژیکی شبکه آبراهه ها تثبیت می شود در حالیکه وزن های بین لایه میانی و لایه ورودی مشابه تابع چگالی احتمال زمان پیمایش تئوری GIUH (هیدروگراف واحد لحظه ای ژئومورفولوژی ) و قابل قیاس با آن است. در شکل زیر مدل سه لایه ای GANN نشان داده شده است(شکل شماره 3).

شکل شماره 3 مدل GANN سه لایه ای (م. 3)

          بارش های مازاد و دبی رواناب (در زمان گذشته، ) ورودی های این مدل را تشکیل می دهند. و  تعداد نود لایه ورودی (برابر 10 نود، بارش مازاد) و   تعداد نود لایه میانی ( 8  نود برابر تعداد مسیرهای حوضه امامه) است که از ژئومورفولوژی حوضه تعیین می شود. مدل یاد شده با استفاده از داده های رگبار ها آموزش داده می شوند. فرایند آموزش مدل  شامل کاهش خطای مربع میانگین بین داده های مشاهده ای و برآورد شده می باشد. تابع کاهش خطا عبارت است از(م.3) :

                                      (3)                                                       

             عبارت است از ام دبی رواناب مستقیم ام رگبار؛  دبی برآورد شده رگبار مربوطه؛  تعداد کل مشاهدات در  ام رگبار وNE  شامل تعداد کل رگبار های مورد استفاده برای آموزش مدل . آموزش مدل وقتی که تغییر کاهش خطای مربع میانگین به حداقل میزان می رسد، پایان می یابد. بسیاری از چنین آزمایش عددی با تعداد متفاوتی از نود های ورودی برای تعیین تعداد مناسبی از  مقادیر بارشهای قبلی انجام می گیرد که مورد نیاز مدل مذکور می باشد. بعد از این فرایند آزمون و خطا نتیجه گرفته می شود که بارش های موجود همانند بارش های قبلی جهت عملکرد  خوب مدل لازم می باشد.

ساختمان ژئومورفولوژی شبکه آبراهه های هر واحد ژئومورفولوژیکی دارای توپولوژی خاص خود می باشد که نسبت به سایرین تفاوتهای اساسی را نشان می دهد. برای حوضه رتبه 4 امامه تعداد  وضعیت ژئومورفولوژیکی خواهیم داشت، بنابراین وضعیت های ژئومورفولوژی شبکه آبراهه های حوضه مذکور که تعداد نرونها یا به عبارتی، نودهای لایه میانی مدل GANN را تعیین می کنند، به شکل زیر تعیین شد(نگارنده 1384):

 

 

 

 

وزن های پیوندی لایه میانی با لایه خروجی بوسیله احتمالات (ها) وضعیت های ژئومورفولوژی مذکور در مدل GANN تعیین می شوند، برا ی حوضه مورد مطالعه، این احتمالات یا وزنها با استفاده از فرمول (رامرز[15]1997) زیر محاسبه شدند:

     (4)                               

                                               

                                                               

                                                                        

                                                   

                                                                              

                                                                               

بحث و نتایج :

               پارامترهای کمّی عوارض ژئومورفولوژیکی قابل اندازه گیری هستند و الگوهای کمّی ژئومورفولوژیکی را تشکیل می دهند. مدل سازی این الگوها و هدفمند کردن آنها از طریق سیستم های هوشمند مورد توجه غالب ژئومورفولوژیست ها و هیدرولوژیست ها است. درک مبانی و مفاهیم ژئومورفولوژی و همچنین تولید رواناب امکان طرح و توسعه مدلهای ساده و مستدل ژئومورفو - هیدرولوژیکی به خصوص در حوضه های بدون پوشش شبکه ایستگاه های هیدرومتری را فراهم می آورد (بون و کیربی1979 الولین 1986[16]) از جمله این مدلها می توان به GIUH ،GANN و ... اشاره نمود. این مدلها تابعی از رفتارهای عوارض ژئومورفولوژیکی به ویژه توپوگرافی دامنه با رواناب می باشند که می توان مطمئنأ آنها را در محاسبه حجم کل رواناب مورد استفاده قرار داد، تئوری ژئومورفولوژیکی پاسخ های هیدورلوژیکی (رینالدو و رودریج-ایتروب و1997و 1996) در چارچوب منطقی برای بیان روابط موجود بین پاسخ های هیدورلوژیکی و ژئومورفومتری حوضه ارایه گردیده است. درک چنین روابطی جهت توسعه مدلهای هیدرولوژیکی ضروری به نظر می رسد، مدلهائی که قادر باشند فرایندهای فیزیکی کنترل و تولید رواناب را ارزیابی نموده و همچنین روندیابی آن را انجام دهند، این مدلها باید تغییرات زمانی – مکانی بارش را بررسی نموده و عملکرد متقابل بین بارش و عوارض ژئومورفولوژیکی مانند دامنه ها را در تولید رواناب مورد تجزیه و تحلیل قرار دهند (بین و همکاران 2003). برای پیش بینی یا تبیین فرایند های ژئومورفیک در مطالعات موبوط به حوضه های آبخیز از الگوهای کمی ژئومورفولوژیکی استفاده می شود. به عنوان مثال، در مطالعات مربوط به پیش بینی دبی حداکثر سیلاب، تخمین مقدار رسوب و برآورد نرخ فرسایش از الگوهای مذکور استفاده می شود که بحث در این موضوع مفصّل بوده و در قالب این پژوهش نمی گنجد.

         در دهه های اخیر الگویی برای برآورد هیدروگراف واحد لحطه ای بر اساس پارامترهای کمّی ژئومورفولوژی پیشنهاد شده است(رودریج – ایترب و والدیز1979). هیدروگراف به عنوان تابع چگالی احتمال زمان پیمایش تفسیر می شود. همان طوری که قبلا نیز به آن اشاره شد، مدل شبکه عصبی (GANN) بر اساس الگوی ژئومورفولوژی شبکه هیدرولوژی ایجاد شدکه در سه لایه ورودی، لایه میانی و خروجی تعریف گردید. در این مدل تعداد نرونها یا به عبارتی نودهای لایه میانی بر اساس وضعیت های ژئومورفولوژیکی شبکه آبراهه های حوضه مورد مطالعه برابر هشت تعیین شد. این پارامترها بسیار مهم و حائز اهمیت است، کافی است که بدانیم آنها تعیین کننده تعداد عناصر پردازشی مدل مذکور است. مقادیر این پارامترها یا به عبارتی وضعیت های ژئومورفولوژیکی وزن های پیوندی بین لایه های میانی و خروجی مدل GANN هستند. این وزن های بین لایه ورودی و لایه میانی[17] نشان دهنده اثر زمان پیمایش است. بارش های مازاد و دبی رواناب (در زمان گذشته، ) ورودی های این مدل را تشکیل می دهند. برای آموزش سیستم از این داده ها استفاده می شود. و  تعداد نود لایه ورودی (برابر 10 نود، به تعداد بارش مازاد نمونه) است. بدین ترتیب هیدروگراف مربوط به سیل 17/12/1381 در حوضه مورد مطالعه با استفاده از این مدل برآورد و نتایج در جدول شماره 1 جهت مشاهده درج گردیده است. همان طوری که در جدول مذکور نیز مشهود است این امر اهمیت جایگاه مهم پژوهش های ژئومورفولوژی را در مطالعات هیدرولوژی مشخص می نماید. بدین وسیله مشخص می گردد که مدل سازی برآورد سیل صرفأ از نقطه نظر هیدرولوژی کافی نبوده و بایستی لزومأ از دیدگاه ژئومورفولوژیکی نیز به موضوع پرداخته شود. و این می تواند راهنمای خوبی برای متخصّصین هیدرولوژی و ژئومرفولوژی در مطالعات سیل  بویژه در حوضه های فاقد داده (یا بدون ایستگاه هیدرومتری) شود.

           هدف تئوری GANNوGIUH استخراج تابع چگالی زمان پیمایش بر اساس متغیرهای ژئومورفولوژی حوضه است. این بیان کننده این واقعیت است که دبی رواناب مستقیم از حوضه به شدت به ژئومورفومتری (توپولوژی) شبکه هیدرولوژی آن بستگی دارد(زانگ و همکاران 2003^[18]).

جدول شماره 1 مقایسه هیدروگراف سیل 17/12/81 حوضه امامه با هیدروگراف GANN

time (h)	Q(m3s)Observed	Q(m3s)GANN
0	4.01	3.455
1	3.68	3.299
2	3.22	3.098
3	3.22	3.01
4	3.08	3.04
5	3.08	2.907
6	2.94	2.0952
7	2.94	2.974
8	2.81	2.931
9	2.68	2.841
10	2.94	2.934
11	3.22	3.05
12	2.94	2.925
13	2.81	2.88
		r = 0.97

 

همانگونه در جداول شماره 1 و 2 نیز مشهود است مقادیر هیدروگراف بدست آمده از روش GANNبه مقادیر مشاهده شده خیلی نزدیک است. و این حاکی از کارائی بسیار خوب این روش در برآورد دبی رواناب سیل مذکور می باشد. همچنین نتایج حاصل از این تکنیک در مقایسه با روش GIUH  نسبت به مقادیر مشاهده شده، مصداق کارائی بهتر آن است(شکل 4).

شکل شماره 4 مقایسه هیدروگرافهای واحد مدلهایGANN وGIUH با هیدروگراف مشاهده شده (سیل 17/12/81) زیرحوضه امامه

جدول شماره 2  مقادیر دبی پیک (متر مکعب بر ثانیه) محاسبه شده با استفاده از مدل GANN

سیل	دبی پیک محاسبه شده	دبی پیک مشاهده ای	ضریب r
2/2/1382	16/9	32/9	96/0
17/12/1381	456/3	01/4	97/0
22/12/1382	15/3	6/4	68/0
6/1/82	2/11	13	89/0
1/2/1382	9/6	7	95/0
24/2/81	1/2	8/2	97/0
28/1/1381	15	20	84/0

 

نتیجه گیری

          تحقیق حاضر نشان می دهد که الگوهای کمّی ژئومورفولوژیکی از طریق اندازه گیری پارامترهای کمّی عوارض ژئومورفولوژیکی قابل شناسائی هستند و مدل سازی این الگوها از طریق فنآوری های هوشمند مورد توجه غالب ژئومورفولوژیست هاست. نتایج این تحقیق نشاندهنده این واقعیت است که داده های کمی ژئومورفولوژی با استفاده از تکنیک شبکه های عصبی مصنوعی ژئومورفولوژیکی در حوضه های بدون ایستگاه های هیدرومتری در پیش بینی رفتار های هیدرولوژی کارائی بسیار خوبی را ارایه می دهد. ساختمان ژئوموفولوژی شبکه هیدرولوژی حوضه ها در رفتار های هیدرولوژی تعیین کننده است. بدین لحاظ داده های ژئومورفولوژی می تواند به عنوان داده های پایه مطمئن در مطالعات سیل و رواناب ها مورد استفاده قرار گیرد. نتایج این پژوهش نشان از وابستگی نزدیک میان عوامل و ویژگی های ژئومورفولوژی با هیدرولوژی دارد و این بیانگر این حقیقت است که در مطالعات هیدرولوژی بایستی از ژئومورفولوژی کمک گرفته شود، در غیر این صورت نتایج دور از واقعیت و مورد ابهام خواهد بود.

 

م