زاویه میل خورشیدی

تابش خورشیدی به عنوان یکی از متغیرهای مهم در مدل های بیلان انرژی و شبیه سازی رشد گیاهان اهمیت زیادی دارد. در این پژوهش عملکرد روش تحلیل مؤلفه اصلی (PCA) و تئوری آنتروپی شانون (ENT) برای تعیین ورودی مدل های یادگیری ماشین جنگل تصادفی (RF)، رگرسیون خطی (LR)، ماشین بردار پشتیبان (SVR)، نزدیک ترین همسایه (KNN)، درخت تصمیم (DT) و (XGB) XGBoost در برآورد تابش خورشیدی در ایستگاه سینوپتیک یزد در حد فاصل سال های 2006 تا 2023 موردبررسی قرار گرفت. متغیرهای میانگین دما، دمای کمینه، دمای بیشینه، ساعات آفتابی، رطوبت نسبی و تابش خورشیدی به صورت روزانه از سازمان هواشناسی دریافت و متغیرهای تابش فرازمینی، فاصله نسبی زمین تا خورشید، زاویه میل خورشیدی و حداکثر ساعات آفتابی با روابط موجود محاسبه و به عنوان ورودی روش های پیش پردازش انتخاب شدند. نتایج الگوریتم های یادگیری ماشین حاکی از دقت قابل قبول آن ها در تخمین تابش خورشیدی بود. با کاهش بعد داده های ورودی به الگوریتم های یادگیری ماشین، نتایج نشان داد که روش تحلیل مؤلفه اصلی دقت مدل را افزایش داد و در بین مدل های به کاررفته، مدل PCA-SVR با ضریب تبیین 923/0 و دقت 84/92% بهترین نتیجه را در ایستگاه یزد نشان داد. لازم به ذکر است که روش تئوری آنتروپی شانون نتوانست نتایج مدل سازی را نسبت به روش بدون پیش پردازش اولیه بهبود بخشد. این تحلیل نشان می دهد که استفاده از تکنیک های کاهش ابعاد و انتخاب مدل های مناسب می تواند منجر به دقت بیشتر و پیچیدگی محاسباتی کمتر در مسائل پیش بینی شود، هرچند در انتخاب مدل پیش پردازش داده های اولیه باید دقت کافی داشت.