عنوان

مدل‌سازی تابش خورشیدی روزانه با استفاده از روش‌های یادگیری ماشینی,‮‭Modeling daily solar radiation using machine learning methods‬

Number

‭۲۳۷۰۴پ‬

.Language of Text, Soundtrack etc

per

Title Proper

مدل‌سازی تابش خورشیدی روزانه با استفاده از روش‌های یادگیری ماشینی

Parallel Title Proper

‮‭Modeling daily solar radiation using machine learning methods‬

First Statement of Responsibility

/سجاد هاشمی

Name of Publisher, Distributor, etc.

: کشاورزی

Date of Publication, Distribution, etc.

، ‮‭۱۳۹۹‬

Name of Manufacturer

، میرزائی

Specific Material Designation and Extent of Item

‮‭۱۲۹‬ص‬

Text of Note

چاپی - الکترونیکی

Dissertation or thesis details and type of degree

کارشناسی ارشد

Discipline of degree

مهندسی آبیاری و زهکشی

Date of degree

‮‭۱۳۹۹/۰۶/۲۶‬

Body granting the degree

تبریز

Text of Note

انرژی خورشیدی مهم‌صترین منبع انرژی‌صهای تجدیدپذیر و به عبارتی منبع اصلی تمام انرژی‌صهای موجود در زمین است .با در نظر گرفتن غیر قابل تجدیدپذیر بودن انرژی‌صهای فسیلی و آثار مخرب استفاده از سوخت‌صهای فسیلی بر محیط زیست، استفاده از انرژی‌صهای پاک و تجدیدپذیری مانند انرژی خورشیدی می‌صتواند بهترین و مناسب‌صترین جایگزین برای تامین انرژی مورد نیاز باشد .همچنین، انرژی خورشیدی و پارامتر تابش خورشیدی یکی از عوامل کلیدی در زمینه‌صهای کشاورزی، هیدرولوژی و هواشناسی است و نقش اساسی در انواع فرایندهای فیزیکی، بیولوژیکی و شیمیایی از جمله ذوب برف، تبخیر و فتوسنتز گیاه و تولید محصول ایفا می‌صکند و برآورد دقیق این پارامتر اهمیت فراوانی دارد .در این راستا، در تحقیق حاضر از داده‌صهای تابش خورشیدی، بیشینه، کمینه و میانگین دما، رطوبت نسبی و سرعت باد ‮‭۶‬ ایستگاه هواشناسی استان اردبیل شامل اردبیل، مشگین شهر، گرمی، بیله سوار، سرعین و نیر در بازه زمانی ‮‭۲‬ ساله ‮‭۲۰۱۷) - (۲۰۱۸‬در مقیاس روزانه استفاده شده و با به کارگیری روش‌صهای شبکه عصبی مصنوعی، شبکه عصبی مصنوعی-الگوریتم ژنتیک، جنگل تصادفی و جنگل تصادفی-الگوریتم ژنتیک مقادیر تابش خورشیدی روزانه به دو صورت و با استفاده از داده‌صهای هواشناسی ایستگاه موردنظر و همچنین داده‌صهای تابش خورشیدی ایستگاه‌صهای مجاور برآورد شد .نتایج به‌صدست آمده با استفاده از پارامترهای آماری ضریب همبستگی، جذر میانگین مربعات خطا، شاخص ویلموت و راندمان کلینگ-گاپتا با یکدیگر مقایسه شده و مدل‌صهای برتر انتخاب گردید .مقایسه بین دو نوع پیش‌صبینی تابش خورشیدی) با استفاده از متغیرهای هواشناسی و تابش خورشیدی ایستگاه‌صهای مجاور (نشان داد که در روش شبکه عصبی مصنوعی، مدل‌صهای برتر شهرهای اردبیل، مشگین شهر، بیله سوار، سرعین و نیر در استفاده از متغیرهای هواشناسی نتایج بهتری را نسبت به استفاده از تابش خورشیدی ایستگاه‌های مجاور ارائه دادند و تنها ایستگاه گرمی در پیش‌صبینی مکانی بهتر از پیش‌صبینی با متغیرهای هواشناسی عمل کرد .در روش شبکه عصبی مصنوعی الگوریتم ژنتیک نیز شهرهای اردبیل، مشگین شهر، گرمی و نیر در پیش‌صبینی مکانی عملکرد مناسب‌صتری داشتند و نتایج دو ایستگاه بیله سوار و سرعین در استفاده از متغیرهای هواشناسی بهتر ارزیابی شد .همچنین در روش‌صهای جنگل تصادفی و جنگل تصادفی الگوریتم ژنتیک، مدل‌صهای برتر ایستگاه‌صهای مشگین شهر، گرمی و بیله سوار در پیش‌صبینی مکانی موفق‌صتر از پیش‌صبینی با استفاده از داده‌صهای هواشناسی عمل کردند و سه شهر اردبیل، نیر و سرعین در برآورد تابش خورشیدی با متغیرهای هواشناسی به‌صعنوان ورودی خطای کمتری داشتند

Text of Note

Solar energy is the most important source of renewable energy and in other words, it is the main source of all energy on earth. Considering the non-renewable nature of fossil energy and the destructive effects of using fossil fuels on the environment, using clean and renewable energy such as solar energy can be the most appropriate alternative for providing needed energy supply. Also, solar energy and radiation parameter are one of the key factors in the fields of agriculture, hydrology and meteorology and play key roles in a variety of physical, biological and chemical processes including snowmelt, evaporation and photosynthesis of plants and crop production. So, accurate estimation of this parameter has great importance. In this regard, in the present study, solar radiation, maximum, minimum and average temperature, relative humidity and wind speed data of 6 meteorological stations in Ardabil province, including Ardabil, Meshginshahr, Germi, Bilehsavar, Sareyn and Nir in a period of 2 years (2017-2018) were used on a daily scale as the inputs of artificial neural network, artificial neural network-genetic algorithm, random forest and random forest-genetic algorithm methods to predict daily solar radiation values in two ways: using the meteorological data of the considered station as well as the solar radiation data of the adjacent stations. The results were compared using the statistical parameters of correlation coefficient, root mean square error, Wilmot index and Kling-Gupta efficiency and the best models were selected. Comparison between two types of solar radiation predictions (using meteorological variables and solar radiation values of adjacent stations) showed that in the artificial neural network method, the top models of Ardabil, Meshginshahr, Bilehsavar, Sareyn and Nir gave better results in applying the meteorological variables than the use of solar radiation values from nearby stations, and only the Germi station performed better in spatial prediction than using the meteorological variables. In the artificial neural network-genetic algorithm method, the stations of Ardabil, Meshginshahr, Germi and Nir had better performance in spatial forecasting and the results of Bilehsavar and Sareyn stations in using meteorological variables were more suitable. Also, in random forest and random forest-genetic algorithm methods, the top models of Meshginshahr, Germi and Bilehsavar stations were more successful in spatial forecasting than using meteorological data and the three stations of Ardabil, Nir and Sareyn had less error in estimating solar radiation with meteorological variables as input

Parallel Title

‮‭Modeling daily solar radiation using machine learning methods‬

هاشمی، سجاد

Hashemi, Sajjad

Public note

سیاه و سفید

نمایه‌سازی قبلی