ارزيابي توانايي مدل‌هاي هوشمند در برآورد تابش كل خورشيدي ماهانه

در اين پژوهش، مطالعه اي مقايسه اي بين مدل هاي شبكه عصبي مصنوعي (ANN)، سيستم استنتاج فازي عصبي تطبيقي (ANFIS) و برنامه ريزي بيان ژن (GEP) براي برآورد تابش خورشيدي ماهانه صورت گرفت. بدين منظور، از داده هاي 24 ساله ايستگاه همديدي تبريز، شامل تابش كل خورشيدي (RS, MJ m−2)، ساعات آفتابي و دماي هوا (°C) بهره گرفته شد. براي اجراي مدل هاي هوش مصنوعي، تركيب جديدي از ورودي ها، شامل متوسط ماهانه شاخص صـاف بودن آسمان (KT)، متوسط ماهانه تفاضل دماي بيشينه از دماي كمينه (ΔT)، ساعات آفتابي نسبي ( ) و متوسط ماهانه تـابش فرازمينـي روزانه (Ra)، به كار گرفته شد. با توجه به اين كه كمترين مقادير آماره هاي MBE  و RMSE (به ترتيب برابر با 0.13 و 1.97 مگاژول بر متر مربع) و بيشترين مقدار R^2 (0.92)، با استفاده از نتايج مدل شبكه عصبي مصنوعي به دست آمد، لذا ANN به‌عنوان بهترين مدل براي برآورد تابش كل آفتابي ماهانه انتخاب شد. همچنين استفاده از نمودارهاي چارك چارك، نشان داد كه هرچند، شبكه عصبي مصنوعي، بهترين برازش را براي داده هاي تابش كل خورشيدي ماهانه ارائه مي كند، اما توانايي اين مدل در برآورد مقادير بالاي تابش كل خورشيدي ماهانه كاهش مي يابد.  لذا استفاده از اين مدل براي مناطق با ميزان تابش دريافتي كمتر توصيه مي شود. عملكرد مدل ANFIS در تحت پوشش قرار دادن مقادير بالا و پائين (چارك هاي چهارم و اول) از ساير مدل ها بهتر بود. بنابراين مزيت مدل ANFIS را در برآورد دقيق تر مقادير بزرگتر تابش خورشيدي است و از اين مدل براي برآورد تابش خورشيدي در مناطق با ميزان بالاي دريافتي تابش خورشيدي مي توان بهره برد. علاوه بر اين، بر خلاف نتايج پژوهش هاي پيشين كه عملكرد مدل GEP براي برآورد تابش آفتابي روزانه را رضايت بخش ارزيابي نكرده بودند، نتايج پژوهش حاضر نشان داد كه استفاده از مدل GEP براي برآورد تابش آفتابي كل ماهانه، به ويژه در محدوده 250 تا 800 مگاژول بر متر مربع رضايت‌بخش است. بنابراين مي توان چنين نتيجه گرفت كه توانايي مدل GEP در مدل سازي پديده هايي با نوسانات كمتر و محدوده كوچك تر بيشتر است.