مقایسه مدل های تجربی، رگرسیونی و شبکه عصبی مصنوعی در برآورد تابش خالص دریافتی(Rs) در ایستگاه سینوپتک زاهدان
محورهای موضوعی : اقلیم شناسی
پریسا کهخا مقدم
1
(عضو هیئت علمی گروه مهندسی آب دانشگاه زابل،زابل،ایران)
محمد مهدی چاری
2
(عضو هیئت علمی گروه مهندسی آب دانشگاه زابل،زابل،ایران)
کلید واژه: شبکه عصبی, زاهدان, تابش خالص دریافتی, گاما تست,
چکیده مقاله :
تابش خورشیدی در بسیاری از مدلهای هیدرولوژی به عنوان پارامتری مهم در تخمین تبخیر و تعرق می باشد. تهیه و ایجاد وسایل انداره گیری این پارامتر بسیار پرهزینه می باشد. در این تحقیق از داده های اندازه گیری شده تابش (Rs) در سال های 1385 تا 1389 ایستگاه هواشناسی زاهدان استفاده شده است. در این تحقیق چند مدل غیرخطی نظیر شبکه عصبی با الگوریتم BFGS و شبکه عصبی با کاهش شیب توام و رگرسیون خطی محلی با استفاده از آزمون گاما توسعه داده شد. سپس این مدل های غیرخطی و دو مدل تجربی شامل آنگستروم-پرسکات و گلور مک کلوت برای پیش بینی تابش مورد ارزیابی قرار گرفت. از پارامترهای دمای ماکزیمم، سرعت متوسط باد و تابش برون زمینی و ساعت آفتابی برای پیش بینی روش های غیر خطی استفاده شد. نتایج مقایسه مقادیر محاسبه شده با مدل ها با مقادیر اندازه گیری شده توسط پیرانومتر نشان می دهد که شبکه عصبی با روند نما BFGS دارای 95/1 RMSE= ، 47/1 MAE= و 93/0= R2 است که دارای بهترین عملکرد در مدل ها می باشد. بعد از آن مدل شبکه عصبی با کاهش شیب توام و مدل رگرسیونی خطی محلی است که مقادیر RMSE، MAE و R2برای آنها به ترتیب برابر 53/2، 77/1، 88/0 و 89/2، 89/1، 82/0 می باشد. روش انگستروم و گلور-مک کلوت نیز به ترتیب دارای مقادیر 38/4RMSE= ، 21/3 MAE= ، 33/0= R2 و 64/4RMSE= ، 07/3 MAE= و 50/0= R2می باشند.
Solar radiation is one of the key inputs for most hydrological models in estimating reference evapotranspiration. Furthermore providing and making the measurement tools for this parameter is very costly. In this research, ridation (Rs ) of zahedan meteological station in 1385 to 1389 were used. Some non- linear models such as neure systemwith algorithm BFGS, and neure system with conjugate Gradient training algorithms, and locallinear regression through gamma test were developed. Then , these non- linear models and two expereimental model including Angstrom - Prescott and Glory Mac Kalut were assessed for predicting radiation. For predicting none- linear method, maximum temperature parameters, average speed of wind, surface radiation, and Sunshine were used. Result of comparing measured amounts with models with measured amount by parameter show that the neure system with BFGS algorithm has RMSE= 1.95 , MAE= 1.47 and R2=93% which are the best operation in these models. After that, neure system model with conjugate Gradient training algorithms and local regression model are in secand rank in which RMSE, MAE and R2 are 2.53 , 1.77 , 88% and 2.89 , 1.89 , 82% respectively. Angstrom and MAC colt method have RNSE = 4.38 , MAE=3.21 , R2=33% and RMSE= 4.46, MAE= 3.07, R2=50% respectivety.
_||_
w Roman","serif";mso-bidi-font-family:"B Lotus"; mso-bidi-language:FA'>