Optimisation of water demand forecasting by artificial intelligence with short data sets

بهینه سازی پیش بینی تقاضای آب با هوش مصنوعی با مجموعه داده های کوتاه

کشاورزی آبی یکی از عامل های اصلی است که در سال های اخیر باعث کاهش آب شرب در دسترس شده است. بنابراین، ضروری است ابزارهای جدید ایجاد شوند که به مدیران منطقه آبیاری در فرایند تصمیم گیری روزانه شان درباره استفاده از آب و انرژی کمک کنند. از سوی دیگر، عصر جدید کلان داده ها و فناوری های اطلاعات و ارتباطات (ICT) حجم زیادی از اطلاعات را در دسترس ساخته است، این مطلب منجر به توسعه ابزارهای جدید پیش بینی شده است. با این حال، کیفیت و کمیت این اطلاعات در بسیاری از حوزه ها نظیر کشاورزی آبی محدود شده است. در نتیجه، روش بررسی توسعه مدل های پیش بین جدید باید دوباره فرمول بندی شود. از این رو، در این مقاله، روش جدید برای پیش بینی کوتاه مدت تقاضای آب آبیاری روزانه هنگام محدودیت دسترسی به داده ها توسط معماری شبکه های عصبی مصنوعی (ANN) دینامیک، الگوریتم های ژنتیک (GA) و چارچوب بیزی ایجاد شده است. روش تحقیق در منطقه آبیاری MD بمبزار (جنوب اسپانیا) اجرا شد. مدل توسعه یافته صحت پیش بینی را بین 3 تا 11% با توجه به فعالیت قبلی بهبود داد. بهترین مدل ANN پیش بینی خطای استاندارد (SEP) و ضریب تعیین (R2) به ترتیب با مقادیر 8.7% و 96% دارد. صحت مدل توسعه یافته این مدل را تبدیل به ابزاری قوی برای مدیریت روزانه مناطق آبیاری می کند. © 2018 IAgrE. نشر توسط شرکت مسئولیت محدود الزویر. تمام حقوق محفوظ است.

در دهه های اخیر، دسترسی به آب شرب به خاطر افزایش دائمی تقاضای آب مصرفی کشاورزی و انسانی و تغییر آب و هوا کاهش یافته است. از سوی دیگر، در مناطقی با آبیاری زیاد، کانال های توزیع آب قدیمی با شبکه های آبیاری تحت فشار جدید جایگزین شده است که تحت تقاضا عمل می کند. در نتیجه، عدم حتمیت مرتبط با تقاضاهای آب آبیاری و هزینه های آب در بسیاری از مناطق آبیاری افزایش یافته است (فرناندز گارسیا، رودریگز دیاز، کاماچو رویاتو، موتسینوس و بربل، 2014)، این موضوع چالش های جدی در مدیریت روزانه مناطق آبیاری ایجاد کرده است. بنابراین، ابزارهای جدید برای کاهش عدم حتمیت مرتبط با تقاضای آب و بهینه-سازی مدیریت روزانه منطقه آبیاری برای اطمینان از آینده کشاورزی آبی ضروری است. انقلاب فناوری های اطلاعات و ارتباطات (ICT) و توسعه حسگرهای جدید، در سال های اخیر، ثبت اطلاعات قوی را در هر ثانیه یا حتی میلی ثانیه ممکن ساخته است. این تکامل در حسگرها و ICT نشان می دهد که فرصت هایی برای توسعه کلان داده ها و ابزارهای مدیریت جدید برطبق پیش بینی ها و هوش مصنوعی (AI) وجود دارد. علاوه بر این، توسعه رایانش ابری و ذخیره مجازی هزینه ذخیره سازی کلان داده ها را کاهش داده است (بین و زین، 2013). بنابراین، در عصر کلان داده ها، داده ها در نقش مطالب خام ضروری اقتصاد در هر بخشی از اقتصاد نفوذ کرده است (لیو، بائو، ژو، 2014). با این حال، دسترس پذیری داده ها در حوزه های کشاورزی آبی به لحاظ کیفی و کمی خیلی ضعیف است. از این رو، مدل های توسعه برطبق این داده ها باعث مشکلات جدی در فرایند تصمیم گیری روزانه مدیران منطقه آبیاری می شود. کلان داده ها و AI در حوزه مدیریت آب در پیش بینی آب شناسی احتمالی (ژانگ، لیانگ، یو و ژونگ، 2011)، پیش بینی میزان آب زیرزمینی (شیرمحمدی، وفاخواه، موسوی و مقدم نیا، 2013)، پیش بینی نفوذ آبیاری در زمین شخم زده شده (مطر، آلازبا و زین العابدین، 2015) و حتی پیش بینی حجم فیلتر در فیلترهای ماسه ریز-آبیاری (پویگ-بارگس، دوران-روس، آربات، باراگان و رامیرز دی کارتاگنا، 2012) استفاده شده است. با این حال، ابزارهای پیش بینی مفید برای تقاضای آب روزانه در شبکه های توزیع پرفشار برای مدیران مناطق آبیاری خیلی کم است. پولیدو کالوو و گوتیرز استرادا (2009) مدل پیش بینی تقاضای آب روزانه را با استفاده از رویکرد منطق فازی (FL) و شبکه های عصبی مصنوعی (ANN) ایجاد کردند. در این اثر، الگوریتم های ژنتیک (GA) برای بهینه سازی شکل مجموعه ها، میزان همپوشانی مجموعه های فازی و تعاریف قواعد فازی غیر از معماری ANN برحسب آزمون و خطا تعیین شدند. گونزالز پریرا، پویاتو، موتسینوس و دیاز (2015) شبکه عصبی-ژنتیک مصنوعی (ANGN) را برای پیش بینی تقاضای آبیاری روزانه در منطقه آبیاری توسعه دادند. در این اثر، پارامترهایی که معماری ANN و تعمیم ANN را تعریف می کنند از بیش برازش بهینه شده توسط GA اجتناب کردند. نتایج نشان دادند که مدل پیش بینی خطاهای قابل ملاحظه داشتند هنگامی که برای مدیران (در طی دوره های تقاضای آب کمتر و بیشتر) به خاطر روش تعمیم ANN مفیدتر خواهد بود. روش توسعه یافته توسط گونزالز پریا و همکاران (2015) الزامات داده ای زیادی برای فرایند یادگیری ANN داشتند در حالی که معمولا ارتباطات کاربران آب پایگاه داده بلندمدت مصرف آب در دسترس ندارد. بنابراین، این روش محدودیت عمده در موقعیت های دسترسی به داده های کم دارد که باعث تعمیم اشتباه ANN می شود. با این حال، الگوریتم-های دیگر برمبنای چارچوب بیزی است (مک کی، 1992) که به صورت خودکار پارامترهای تنظیم تعمیم ANN را تنظیم می کند و پارامترهای اثربخش ANN را کاهش می دهد و به این ترتیب میزان داده های لازم در طی فرایند آموزشی کمتر می شود. بنابراین، در این اثر، روش جدید برای پیش بینی کوتاه مدت تقاضای آب آبیاری روزانه توسط معماری جفت شده ANN دینامیک، چارچوب بیزی و GAها توسعه یافت. مدل توسعه یافته در منطقه آبیاری واقعی در جنوب اسپانیا آزمایش شد و نتایج حاصله با تحقیقات قبلی مقایسه شد.