۲۰۰۷۰پ
per
ارزیابی مدل های مختلف تجربی و مدل های هوش مصنوعی تخمین تابش خورشیدی با روش‌های مختلف مدیریت داده‌ها
Evaluating Different Empirical and Artificial Intelligence Models of Solar Radiation Estimation Using Different Data Management Scenarios
/محمد پوررجبعلی
: کشاورزی
، ۱۳۹۷
، میرزائی
۸۳ص
چاپی - الکترونیکی
کارشناسی ارشد
مهندسی آبیاری و زهکشی
۱۳۹۷/۰۶/۲۰
تبریز
تابش خورشید نقش کلیدی در انواع فرایندهای فیزیکی و بیولوژیکی و شیمیایی ازجمله ذوب برف و تبخیر و فتوسنتز گیاه و تولید محصول دارد و یکی از عوامل مهم و تأثیرگذار در تبخیر- تعرق تابش خورشیدی است و درنتیجه یک عامل ورودی در معادله پنمن مانتیث می‌صباشد .از سوی دیگر بهبود دقت مدل‌صهایی که در تخمین تابش خورشیدی به مؤلفه‌های کمتری نیازمند هستند امری ضروری می‌صباشد .در تحقیق حاضر دقت دو مدل تجربی۱و مدل تجربی ۲همراه با مدل‌صهای هوشمند بیان ژن، شبکه عصبی و جنگل تصادفی با ورودی‌صهای تابش فرازمینی، دمای بیشینه،دمای کمینه، روز از سال و شاخص آسمان صاف در ایستگاه‌صهای بوشهر، فسا، لار،مروست و شهربابک در برآورد تابش خورشیدی ارزیابی گردید .ابتدا دقت اولیه مدل‌صهای تجربی بررسی‌شده که نتایج حاصل بیان‌صگر برتری مدل تجربی ۲ نسبت به مدل تجربی ۱ بود .در بخش بعدی با به‌کارگیری روش مدیریت داده‌صها برای مدل‌صسازی در مقیاس نقطه‌صای) زمانی (واسنجی شده و دقت مدل‌صهای حاصل ارزیابی گردید .نتایج حاصل حاکی از برتری مدل‌صهای شبکه عصبی (ANN) و مدل‌صهای جنگل تصادفی (RF) در مقایسه با مدل برنامه‌صریزی بیان‌صژن (GEP) و مدل‌صهای تجربی بوده است .در مقایسه کلی بین مدل‌ها و دقیق ترین مدل در ایستگاه بوشهر و روش شبکه عصبی، ترکیب ورودی IV با شاخص SI برابر۱۷/۰ ، RMSE برابر/۲۵ ۳ و NS برابر ۷۱ /۰نسبت به مدل-های دیگر دقت بالایی دارد .نتایج مدل شبکه عصبی در ایستگاه فسا و ترکیب ورودی IV با شاخص SI برابر۱۱/۰ ، RMSE برابر/۳۶ ۲ و NS برابر۸۴/۰ بهترین نتیجه را داشت .در ایستگاه لارمدل III با شاخص SI برابر۱۰/۰ ، RMSE برابر/۱۰ ۲ و NS برابر۸۵/۰ بهترین بود .در ایستگاه مروست مدل V با SI برابر۱۱/۰ ، RMSE برابر ۳۲/۲ و NS برابر ۸۵/۰ نتیجه بهتری داشت و در ایستگاه شهربابک مدل IV با SI برابر۱۳/۰ ، RMSE برابر ۵۳/۲ و NS برابر۸۳/۰ بهتر بود
Solar radiation plays a key role in a variety of physical, biological and chemical processes, including snow melting and plant evolution and photosynthesis, and product production, and is one of the important factors affecting the evapotranspiration of solar radiation, resulting in an input factor in the Penman-Monteith equation. . On the other hand, it is essential to improve the accuracy of the models that need less components in the solar radiation estimation. In the present study, the accuracy of two experimental models 1 and experimental model 2 with intelligent gene expression models, neural network and random forest with extinct radiation inputs, maximum temperature, minimum temperature, day of the year and clear sky index in Bushehr, Fasa stations , Lar, Marvast and Shahrbabak were evaluated for estimating solar radiation. At first, the initial accuracy of the empirical models studied was that the results showed the superiority of the experimental model 2 compared to the experimental one. In the next section, the data management method was calibrated for point-to-point (time) modeling and the accuracy of the obtained models was evaluated. The results of this study indicated the superiority of Neural Network Models (ANN) and random forest (RF) models compared to the GEP model and experimental models. In the overall comparison between models and the most accurate model at Bushehr station and neural network method, the input composition IV with SI index is equal to 0.17, RMSE is 3.25 and NS is 0.71, compared to other models. The results of the model of the neural network at the Fasa station and the input composition IV with SI index equaled 0.11, RMSE equaled 2.36 and NS equaled 0.84. At Lar station III with SI index equal to 0.10, RMSE was 2.10 and NS was 0.85. At Marvast station V model with SI equaled 0.10, RMSE equaled 2.32 and NS equaled 0.85 and at Shahrbabk station with SI was 0.13, RMSE equaled 2.53 and NS was better than 0.83
Evaluating Different Empirical and Artificial Intelligence Models of Solar Radiation Estimation Using Different Data Management Scenarios
پوررجبعلی، محمد
Pourrajabali, Mohammad
سیاه و سفید
نمایه‌سازی قبلی
