مقایسه عملکرد رگرسیون خطی چندمتغیره و مدل های هوش مصنوعی در تخمین تابش کل خورشیدی (مقاله علمی وزارت علوم)

چکیده

در این پژوهش، برای اولین بار در ایران، تابش کل خورشیدی (GSR) با به کارگیری داده های ساعتی رطوبت خاک و بدون استفاده از داده های ساعت آفتابی و مقدار ابرناکی برآورد شد. بدین منظور، از هشت متغیر روزانه شامل میانگین دمای هوا، بیشینه دما، کمینه 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 دوره 435روزه (ثبت شده توسط واقعه نگاشت GEONICA) و مدل های رگرسیون خطی، سیستم استنتاج عصبی- فازی تطبیفی (ANFIS)، شبکه عصبی پرسپترون چندلایه (MLP)، و شبکه عصبی رگرسیون تعمیم یافته (GRNN) استفاده شد. نمونه های ورودی- هدف به دو صورت تصادفی و غیرتصادفی وارد مدل ها شد که نتایج گواه بر دقت بهتر مدل ها در نمونه های تصادفی شده تحت شرایط استفاده از کل متغیرها به عنوان ورودی بود. بررسی ها حاکی از برتری مدل MLP با 04/3RMSE= مگاژول بر متر مربع در روز و %33/86=R2 بود. افزون براین، به کارگیری 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 چند متغیره نیز فقط توانست یافتن ورودی ها را تسهیل کند.