ارزيابي شبكه عصبي مصنوعي و مدل تجربي ايرماك در تخمين تابش خالص خورشيدي روزانه در اقليم سرد و نيمه خشك (مطالعه موردي: همدان)

Evaluation of Artificial Neural Network (ANN) and Irmak Experimental Models to Predict Daily Solar Net Radiation (Rn) in Cold Semi-arid Climate (Case study: Hamedan)

يكي از عوامل مهم و تاثيرگذار در شار حرارتي خاك و شدت تبخير- تعرق، تابش خالص خورشيدي مي باشد. تابش خالص تفاوت بين شارهاي تابش ورودي و خروجي در طول موج هاي بلند و كوتاه مي باشد. اندازه گيري تابش خالص به‌علت مشكلات واسنجي و هزينه آن دشوار است. بنابراين تابش خالص اغلب از معادلات نيمه تجربي مبتني بر مشاهدات تابش طول‌موج كوتاه خورشيدي، فشار بخار و دماي هوا پيش بيني مي شود. با توجه به اينكه شبكه عصبي در پيش بيني پارامترهاي هواشناسي و هيدرولوژي از عملكرد مناسبي برخوردار است، لذا در اين تحقيق سعي شد تا با استفاده از شبكه عصبي مقدار تابش خالص روزانه همدان كه داراي اقليم سرد و نيمه خشك مي باشد تخمين زده شود و با داده هاي اندازه گيري شده تابش خالص روزانه ايستگاه كليماتولوژي دانشگاه بوعلي سينا در طول دوره 13 ماه (آذر 1390- آذر 1391) مقايسه شود. همچنين در اين پژوهش مدل تجربي ايرماك نيز براي برآورد تابش خالص روزانه مورد واسنجي و استفاده قرار گرفت. بدين منظور، در طراحي شبكه عصبي 11 پارامتر هواشناسي موثر در تابش خالص به عنوان ورودي مدل به‌كار گرفته شد. پس از انجام آزمون و خطا در انتخاب مدل بهينه، شبكه عصبي با آرايش 1-2-11 براي پيش بيني تابش خالص مورداستفاده قرار گرفت. 70 درصد داده ها جهت آموزش و 30 درصد داده ها به منظور اعتبارسنجي مدل استفاده گرديد. برآوردهاي مدل ايرماك نيز به صورت روزانه ارايه گرديد. نتايج تحقيق نشان داد كه شبكه عصبي با ضريب تعيين (R2) 95/0 و مقدار خطا RMSE معادل1377 (وات بر متر مربع در روز) عملكرد و دقت بهتري در تخمين تابش خالص در مقايسه با مدل ايرماك با ضريب تعيين 55/0 و مقدار آماره RMSE معادل 13614 (وات بر متر مربع در روز) دارا مي باشد.

Solar net radiation (Rn) is one of the most important factors influencing soil heat flux and evapotranspiration rate process. This parameter is derived from the difference between downward and upward radiation fluxes reaching the earth’s surface. Field measurements of Rn are cost effective and difficult to maintain. Therefore, in the most cases, Rn is estimated by empirical, semi- empirical and physical-based models. Recent studies show that the artificial neural network (ANN) is a reliable tool for estimating daily Rn with reasonable performance for the area where lack or shortage of field Rn exists. Using Irmak model and ANN approach, we tried to estimate daily Rn for one of the cold semi-arid sites located in Hamedan. For model evaluations, Rn data were measured in hourly base during December 2011 to December 2012 at Bu-Ali Sina University weather site. In this study, we used 11 daily meteorological parameters as the inputs of ANN to generate the Rn estimates (70% of the data set for training data and 30% for model validation). The results showed that the best model performance of ANN was obtained from a 11-2-1 architecture and the sigmoid function based on the back- propagation training algorithm. The least ANN error was observed by employing 10000 iterations for the training step and two neurons in the hidden layers. The results indicated that the daily net radiation from ANN was more accurate (R2 > 0.95) than the previously recommended Irmak model.