NobleBlocks

Research indexJournal article

بررسی کارایی روشهای شبکه عصبی و رگرسیون چند متغیره در برآورد تابش کل خورشیدی در چند ایستگاه معرف اقلیمهای خشک و نیمهخشک

پور, بختیاری, قادری

تحقیقات آب و خاک ایران22 Dec 2019

NobleIDark:/48914/w1/20260515/8E89B1EDDOI10.22059/ijswr.2019.277373.668142

Paywalled

The full text is at the publisher

You can read the abstract here, or open it at the publisher.

Read at the publisher

Abstract

در این مطالعه قابلیت روش­های پرسپترون چند لایه (MLP) و رگرسیون خطی چند متغیره در برآورد شدت تابش کل خورشیدی مورد بررسی قرار گرفت. به این منظور از داده­های روزانه 25 ساله (2017-1992) شامل دمای حداکثر، میانگین دما، میانگین رطوبت نسبی، ساعات آفتابی و شدت تابش خورشیدی در پنج ایستگاه همدیدی بندرعباس، زنجان، شیراز، کرمان و مشهد استفاده شد. ورودی­های بکار رفته در مدل­ها شامل ترکیبات مختلفی از این متغیر­ها بودند. جهت بررسی عملکرد مدل­ها از آماره­های ضریب تعیین (R2)، ریشه میانگین مربعات خطا (RMSE)، میانگین مطلق خطا (MAE) و شاخص توافق (IA) استفاده شد. برای آموزش ساختار شبکه عصبی دو الگوریتم تنظیم بیزی (Br) و لونبرگ-مارکوات (LM) مورد مقایسه قرار گرفتند. علاوه بر این، فرآیند­های آموزش و اعتبارسنجی بر روی داده­ها انجام شد. نتایج مدل رگرسیون نشان داد که تمامی متغیرهای ورودی در ایستگاه­های بندرعباس، زنجان و شیراز بر تابش تأثیرگذارند، اما تأثیرگذاری رطوبت نسبی بر مقدار تابش در ایستگاه‌های کرمان و مشهد اندک بود. کاربرد ANN با دو الگوریتم نشان داد که ایستگاه­های بندرعباس و کرمان با الگوریتم Br و ایستگاه­های زنجان، شیراز و مشهد با الگوریتم LM نتایج بهتری به دست می­دهند. با توجه به نتایج به دست آمده، کمترین مقادیر RMSE، MAE و بیشترین مقادیر IA و R2 مربوط به ایستگاه کرمان با اقلیم خشک سردسیر به ترتیب 799/2، 94/1، 954/0 و 838/0 می­باشد. در یک نتیجه­گیری کلی می­توان گفت که کارایی مدل شبکه عصبی در برآورد تابش خورشیدی نسبت به مدل رگرسیون خطی چند متغیره در مقایسه با داده­های مشاهداتی بهتر بوده است.

Discussion

Citations

Topics

More

Suggest a correction or report