تخمین تابش خورشید با استفاده از روش‌های آماری و شبکه عصبی مصنوعی (مطالعه موردی - ایستگاه سینوپتیک تهران)

نویسندگان

1 دانشجوی دکترای تخصصی، گروه سیستم اطلاعات جغرافیایی و سنجش‌ازدور (GIS & RS)، دانشکده علوم زمین، دانشگاه شهید بهشتی، تهران، ایران.

2 دانشجوی دکترای تخصصی گروه آب و هواشناسی، دانشکده جغرافیا، دانشگاه تهران، ایران.

3 دانش آموخته کارشناسی ارشد، گروه مهندسی آبخیزداری، دانشکده منابع طبیعی ، دانشگاه صنعتی اصفهان، اصفهان، ایران.

4 کارشناسی ارشد، گروه سلامت، ایمنی و محیط‌زیست (HSE)، مرکز تحقیقات ارتقاء سلامت محیط کار، دانشکده بهداشت و ایمنی، دانشگاه علوم پزشکی شهید بهشتی، تهران، ایران.

5 دانشجوی کارشناسی ارشد مهندسی عمران گرایش سازه های هیدرولیکی، دانشگاه مراغه، ایران.

doi
10.22038/jreh.2025.82332.1683
چکیده

زمینه و هدف: تابش خورشیدی یکی از پارامترهای مهم و تأثیرگذار در مطالعات هیدرولوژی و هواشناسی کشاورزی می‌باشد. با توجه ‌به هدف تحقیق که پیش‌بینی میزان تابش خورشیدی می‌باشد، می‌توان نوع تحقیق را کاربری دانست.مواد و روش‌ها: سال آماری موردنظر به مدت یک سال (اول فروردین 1402 تا آخر فروردین 1403) می‌باشد و داده‌های مورد استفاده، داده‌های روزانه ایستگاه سینوپتیک تهران شامل بیشینه و کمینه دما، بیشینه و کمینه رطوبت نسبی و حداکثر سرعت باد می‌باشد (5 مورد) و داده‌های PM10،  PM2.5 (از ایستگاه سنجش آلودگی شهر تهران) می‌باشد. رابطه‌ی همبستگی بین تابش خورشیدی به‌عنوان متغیر وابسته و پارامترهای دیگر (مؤلفه‌های مستقل) از طریق ضریب همبستگی پیرسون در نرم‌افزار SPSS.26 انجام گرفت.یافته‌ها: نتایج نشان داد که تابش خورشیدی با کمینه و بیشینه دما، حداکثر سرعت باد، و PM10 دارای همبستگی مستقیم و با بیشینه و کمینه رطوبت نسبی، جهت باد و PM2.5  دارای همبستگی معکوس می‌باشد. تخمین تابش خورشیدی با استفاده از روش‌های رگرسیون خطی چندگانه و شبکه عصبی مصنوعی (MLP) انجام شده که روش شبکه عصبی مصنوعی با ضریب تعیین (R2) نزدیک 87 درصد دارای عملکرد بهتری از دو روش دیگر ( Enter و Stepwise) می‌باشد.نتیجه‌گیری: مقایسه سه روش (Ann، Enter و Stepwise)  در مرحله‌ی آمورش و تست نشان از عملکرد بهتر روش شبکه عصبی دارد (مقدار بالاتر ضریب R2). مقدار شاخص MSE (میانگین مربعات خطا) در هر دو مرحله ی آموزش و آزمون در روش شبکه عصبی بهتر و به ترتیب 1/87و 1/68 می‌باشد در حالی که همین شاخص برای روش Enter، 3/65 و 3/37 بوده و هم‌چنین برای روش Stepwise نیز مقادیر 11/6 و 1/75 محاسبه گردیده است نتایج نشان می‌دهد که در هر سه روش مدل‌ها در مرحله آزمون بهبود یافته‌اند.