۲۰۹۷۳پ
per
تخمین تابش خورشیدی با استفاده از مدل هیبریدی ماشین بردار پشتیبان_ الگوریتم دسته میگو
Estimation of Solar Radiation Using a Hybrid Support Vector Machine-Krill Herd Algorithm Model
/ندا محمودی
: کشاورزی
، ۱۳۹۷
، میرزائی
۶۳ص
چاپی - الکترونیکی
کارشناسی ارشد
علوم و مهندسی آب گرایش منابع آب
۱۳۹۷/۰۶/۱۸
تبریز
تابش خورشیدی یکی از مهم‌صترین پارامترهای مؤثر در مطالعات هیدرولوژیکی، هواشناسی، کشاورزی و سایر زمینه‌صهای مرتبط می‌صباشد، که ان‍ـدازه‌صگی‍ـری آن با پیرانومتره‍ــا در ای‍ــستگاه‌صهای سینوپتیک انجام می‌صگیرد .عدم وجود دس‍ــتگاه‌صهای اندازه‌صگی‍ـری در تمام ایستگاه‌صهای سینوپتیک، هزینه بالای نگهداری و خطاهای اندازه‌صگیری منجر به استفاده از روش‌صهای محاسباتی شده است .اخیرا استفاده از مدل‌صهای داده محور که بتوانند بر اساس داده‌صهای سهل الوصول میزان تابش خورشیدی را تخمین بزنند توسعه پیدا کرده است .در این تحقیق جهت تخمین تابش خورشیدی از آمار روزانه‌صی سه پارامتر هواشناسی شامل دمای حداکثر، ساعات آفتابی و تابش برون زمینی در ایستگاه‌ص سینوپتیک تبریز طی دوره‌صآماری۲۰۱۰ - ۲۰۱۷استفاده شد .ابتدا با بررسی صحت و کنترل کیفی داده‌صهای تابش خورشیدی، داده‌صهای مطمئن استخراج و در ادامه مدل‌صهای ماشین بردار پشتیبان و مدل هیبریدی ماشین بردار پشتیبان- الگوریتم دسته میگو ص، شبکه عصبی مصنوعی و برنامه‌صریزی بیان ژن جهت تخمین میزان تابش خورشیدی استفاده شده و با معیارهای مختلف آماری دقت مدل‌صها ارزیابی شد .نتایج نشان داد دمای بیشینه و ساعت آفتابی جزء پارامترهای تأثیرگذار بر تابش خورشیدی است .پس از تعیین پارامترهای هواشناسی موثر در هر ایستگاه و تشکیل ترکیب‌صهای مختلف از دمای بیشینه و مجموع ساعات آفتابی، تابش خورشیدی با استفاده از مدل‌صهای فوق تخمین زده شد .نتایج تحقیق نشان داد ترکیب همزمان دمای بیشینه و مجموع ساعت آفتابی دقت بهتری دارد .با توجه به نتایج معیارصهای ارزیابی مدل هیبریدی ماشین بردار پشتیبان-الگوریتم دسته میگو، برای این ترکیب از ورودی داده‌صها، ضریب تبیین۸۹۱/۰ ، ضریب نش‌ص ساتکلیف ۸۹۰/۰ و کمترین خطا ۷۵۵/۲۷۶ در مرحله آموزش و در مرحله صحت سنجی ضریب تبیین۸۶۱/۰، ضریب نش- ساتکلیف ۸۶۱/۰ و کمترین خطا ۱۲۶/۳۲۱ را دارا می‌صباشد
Solar radiation is one of the most important parameters in hydrological studies, meteorology, agriculture and other related fields, which is measured with pinometers at the synoptic station. The lack of a measuring device at all synoptic stations, high maintenance costs and measurement errors has led to the use of computational methods. Recently, the use of data-driven models, which can be estimated based on the appropriate data for the measurement of solar radiation intensity. In this research, three weather parameters including maximum temperature, similarity of day and extraterrestrial radiation in the synoptic station of Tabriz during the period 2017-2010 were used to estimate the daily solar radiation. First, by checking the accuracy and quality control of oxidation data, the reliability data are extracted, and then supporting models and supporting the hybrid models of trap-backup machining, artificial neural network and gene expression programming to estimate the amount of solar radiation used The model accuracy was evaluated using different statistical models. The results showed that the maximum air temperature and sun hours are one of the parameters affecting solar radiation. After determining the effective meteorological parameters at each station and forming different combinations of maximum temperature and total sunlight, solar saunas are estimated using the above models. The results of the study showed that the combination of maximum temperature and total sunshine is more accurate. According to the results, the criteria for evaluating the shrimp hybrid model - backup machine, for this combination of data input, correlation coefficient (0/891), bite coefficient (0.890) and minimum error (277/755) in The training stage and the validation factor have the explanatory factor (0.886), the nas-satchel coefficient (0.886) and the minimum error (321.66)
Estimation of Solar Radiation Using a Hybrid Support Vector Machine-Krill Herd Algorithm Model
محمودی، ندا
Mahmoudi, Neda
قربانی، محمدعلی، استاد راهنما
دربندی، صابره، استاد راهنما
سیاه و سفید
نمایه‌سازی قبلی
