مقایسۀ عملکرد رگرسیون خطی چندمتغیره و مدل های هوش مصنوعی در تخمین تابش کل خورشیدی
نویسندگان
1 استاد هواشناسی، دانشکدة کشاورزی، دانشگاه بوعلی سینا، همدان
2 دانشجوی کارشناسی ارشد هواشناسی کشاورزی، دانشکدة کشاورزی، دانشگاه بوعلی سینا، همدان
3 استادیار، دانشکدة کشاورزی، دانشگاه بوعلی سینا، همدان
doi
10.22059/jphgr.2019.264084.1007263چکیده
در این پژوهش، برای اولین بار در ایران، تابش کل خورشیدی (GSR) با بهکارگیری دادههای ساعتی رطوبت خاک و بدون استفاده از دادههای ساعت آفتابی و مقدار ابرناکی برآورد شد. بدین منظور، از هشت متغیر روزانه شامل میانگین دمای هوا، بیشینة دما، کمینة دما، فشار هوا، رطوبت نسبی هوا، بارندگی، دمای میانگین خاک، و رطوبت خاک در کنار تابش کل روزانه در ایستگاه تحقیقاتی هواشناسی دانشگاه بوعلی سینا در یک دورة 435روزه (ثبتشده توسط واقعهنگاشت GEONICA) و مدلهای رگرسیون خطی، سیستم استنتاج عصبی- فازی تطبیفی (ANFIS)، شبکة عصبی پرسپترون چندلایه (MLP)، و شبکة عصبی رگرسیون تعمیمیافته (GRNN) استفاده شد. نمونههای ورودی- هدف به دو صورت تصادفی و غیرتصادفی وارد مدلها شد که نتایج گواه بر دقت بهتر مدلها در نمونههای تصادفیشده تحت شرایط استفاده از کل متغیرها بهعنوان ورودی بود. بررسیها حاکی از برتری مدل MLP با 04/3RMSE= مگاژول بر متر مربع در روز و %33/86=R2 بود. افزونبراین، بهکارگیری کمترین متغیرهای هواشناسی شامل سه متغیر دمای میانگین هوا، رطوبت نسبی هوا، و دمای خاک در مدل GRNN توانست با 45/3RMSE= مگاژول بر مترمربع در روز و %52/82R2= عملکرد بسیار مطلوبی در تخمین GSR ارائه دهد. رگرسیون خطی چندمتغیره نیز فقط توانست یافتن ورودیها را تسهیل کند.