پديد آورندگان :
عوض پور صديقه دانشگاه شهيد باهنر كرمان - دانشكده كشاورزي - بخش مهندسي آب , قادري كورش دانشگاه شهيد باهنر كرمان - دانشكده كشاورزي - بخش مهندسي آب , بختياري بهرام دانشگاه شهيد باهنر كرمان - دانشكده كشاورزي - بخش مهندسي آب
كليدواژه :
الگوريتم پس انتشار , تابش كل خورشيدي , مدل سازي تابش , همبستگي خطي
چكيده فارسي :
در اين مطالعه قابليت روش هاي پرسپترون چند لايه (MLP) و رگرسيون خطي چند متغيره در برآورد شدت تابش كل خورشيدي مورد بررسي قرار گرفت. به اين منظور از داده هاي روزانه 25 ساله (2017-1992) شامل دماي حداكثر، ميانگين دما، ميانگين رطوبت نسبي، ساعات آفتابي و شدت تابش خورشيدي در پنج ايستگاه همديدي بندرعباس، زنجان، شيراز، كرمان و مشهد استفاده شد. ورودي هاي بكار رفته در مدل ها شامل تركيبات مختلفي از اين متغير ها بودند. جهت بررسي عملكرد مدل ها از آماره هاي ضريب تعيين (R2)، ريشه ميانگين مربعات خطا (RMSE)، ميانگين مطلق خطا (MAE) و شاخص توافق (IA) استفاده شد. براي آموزش ساختار شبكه عصبي دو الگوريتم تنظيم بيزي (Br) و لونبرگ-ماركوات (LM) مورد مقايسه قرار گرفتند. علاوه بر اين، فرآيند هاي آموزش و اعتبارسنجي بر روي داده ها انجام شد. نتايج مدل رگرسيون نشان داد كه تمامي متغيرهاي ورودي در ايستگاه هاي بندرعباس، زنجان و شيراز بر تابش تاثيرگذارند، اما تاثيرگذاري رطوبت نسبي بر مقدار تابش در ايستگاه هاي كرمان و مشهد اندك بود. كاربرد ANN با دو الگوريتم نشان داد كه ايستگاه هاي بندرعباس و كرمان با الگوريتم Br و ايستگاه هاي زنجان، شيراز و مشهد با الگوريتم LM نتايج بهتري به دست مي دهند. با توجه به نتايج به دست آمده، كمترين مقادير RMSE، MAE و بيشترين مقادير IA و R2 مربوط به ايستگاه كرمان با اقليم خشك سردسير به ترتيب 2.799, 0.94, 0.954 , 0.838 مي باشد. در يك نتيجه گيري كلي مي توان گفت كه كارايي مدل شبكه عصبي در برآورد تابش خورشيدي نسبت به مدل رگرسيون خطي چند متغيره در مقايسه با داده هاي مشاهداتي بهتر بوده است.
چكيده لاتين :
In this study, the capability of multi-layer perceptron (MLP) and multivariate linear regression methods were evaluated to estimate the total solar radiation. For this purpose, the daily weather data of 25 years (1992-2017) including maximum temperature, mean temperature, relative humidity, sunshine hours and solar radiation were used in the five synoptic stations (Bandarabbas, Zanjan, Shiraz, Kerman and Mashhad). The inputs used in the models included various combinations of these variables, and the output was the solar radiation. To evaluate the performance of these models, Determination of Coefficient (R2), Root Mean Squared Error (RMSE), Mean Absolute Error (MAE) and Index of Agreement (IA) were used. In order to train the structure of the ANN, two Bayesian-regularization (Br) and Levenberg-Marquardt (LM) algorithms were compared. Moreover, the training and validation processes were performed. The results of regression model showed that all the input variables are effective on the solar radiation estimation at Bandarabbas, Zanjan and Shiraz, but the effect of relative humidity on radiation at Kerman and Mashhad stations was low. The ANN application with two algorithms showed that Bandarabbas and Kerman stations using the Br algorithm and Zanjan, Shiraz and Mashhad using the LM algorithm give a good result. The lowest values of RMSE, MAE and the highest value of IA and R2 related to Kerman station were 2.799, 0.94, 0.954 and 0.838, respectively. As a main result, the comparison between computation and observation data showed that the ANN model gives better results than the linear regression model for estimation of radiation.
