مقایسۀ عملکرد رگرسیون خطی چندمتغیره و مدل های هوش مصنوعی در تخمین تابش کل خورشیدی | ||
| پژوهش های جغرافیای طبیعی | ||
| مقاله 10، دوره 51، شماره 2، تابستان 1398، صفحه 353-372 اصل مقاله (1.55 M) | ||
| نوع مقاله: مقاله کامل | ||
| شناسه دیجیتال (DOI): 10.22059/jphgr.2019.264084.1007263 | ||
| نویسندگان | ||
| علی اکبر سبزی پرور* 1؛ پویا عاقل پور2؛ وحید ورشاویان3 | ||
| 1استاد هواشناسی، دانشکدة کشاورزی، دانشگاه بوعلی سینا، همدان | ||
| 2دانشجوی کارشناسی ارشد هواشناسی کشاورزی، دانشکدة کشاورزی، دانشگاه بوعلی سینا، همدان | ||
| 3استادیار، دانشکدة کشاورزی، دانشگاه بوعلی سینا، همدان | ||
| چکیده | ||
| 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. | ||
| کلیدواژهها | ||
| دمای خاک؛ رطوبت خاک؛ GSR؛ MLP؛ ANFIS؛ GRNN | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 1,324 تعداد دریافت فایل اصل مقاله: 770 |
||