@article { author = {Sharifi, Seyd Saber and Rezaverdinejad, Vahid and Nourani, Vahid and Behmanesh, Javad}, title = {Evaluation of the Capability of Intelligent Models in Estimating Monthly Global Solar Radiation}, journal = {Water and Soil Science}, volume = {31}, number = {2}, pages = {13-26}, year = {2021}, publisher = {University of Tabriz}, issn = {2008-5133}, eissn = {2717-3755}, doi = {10.22034/ws.2021.11636}, abstract = {The concern of the present research was to do a comparative study between the GEP, ANN and ANFIS models to estimate monthly global solar radiation. For this purpose, long-term (24-years) monthly data of global solar radiation (RS, MJ m−2), sunshine hours and air temperature (°C), from Tabriz synoptic station were used. To perform the artificial intelligence models, a new combination of inputs including monthly mean clearness index (KT), monthly temperature range (ΔT), relative sunshine hours (n/N) and extraterrestrial global solar radiation (Ra) were employed. Since the lowest values of MBE and RMSE (0. 13 and 1.97 MJ m−2 respectively) and the highest value of R2 (0.92) were obtained for ANN model, and therefore, the ANN model was selected as the best model to estimate the monthly global solar radiation. Using quarter-quarter (Q-Q) plots revealed that although the ANN model generally presents the best fit for monthly global solar radiation data, this model is found to be not successful in estimating the higher values of monthly global solar radiation data. Therefore, the application of ANN model is recommended for regions with lower solar radiation values. The performance of the ANFIS model was better than other models in covering the highest and lowest values (the first and fourth quarter). Therefore, it can be concluded that the ANFIS model gives more accurate results in the areas with the higher values of solar radiation. The findings also show that unlike previous researches which were carried out in daily scale, the performance of GEP technique for modeling monthly global solar radiation is satisfactory especially in the ranges of 250 to 800 MJ m−2. Thus, it can be inferred that GEP can be more powerful in modeling the phenomena which have low fluctuations or a limited range.}, keywords = {Artificial neural network,Adaptive Neuro-Fuzzy Inference System,Monthly global solar radiation,Gene expression programming,Tabriz}, title_fa = {ارزیابی توانایی مدل‌های هوشمند در برآورد تابش کل خورشیدی ماهانه}, abstract_fa = {در این پژوهش، مطالعه­ای مقایسه­ای بین مدل­های شبکه عصبی مصنوعی (ANN)، سیستم استنتاج فازی­- عصبی تطبیقی (ANFIS) و برنامه­ریزی بیان ژن (GEP) برای برآورد تابش خورشیدی ماهانه صورت گرفت. بدین منظور، از داده­های 24 ساله ایستگاه همدیدی تبریز، شامل تابش کل خورشیدی (RS, MJ m−2)، ساعات آفتابی و دمای هوا (°C) بهره گرفته شد. برای اجرای مدل­های هوش مصنوعی، ترکیب جدیدی از ورودی­ها، شامل متوسط ماهانه شاخص صـاف بودن آسمان (KT)، متوسط ماهانه تفاضل دمای بیشینه از دمای کمینه (ΔT)، ساعات آفتابی نسبی ( ) و متوسط ماهانه تـابش فرازمینـی روزانه (Ra)، به کار گرفته شد. با توجه به این­که کمترین مقادیر آماره­های MBE  و RMSE (به ترتیب برابر با 13/0 و 97/1 مگاژول بر متر مربع) و بیشترین مقدار R2 (92/0)، با استفاده از نتایج مدل شبکه عصبی مصنوعی به­دست آمد، لذا ANN به‌عنوان بهترین مدل برای برآورد تابش کل آفتابی ماهانه انتخاب شد. همچنین استفاده از نمودارهای چارک­- چارک، نشان داد که هرچند، شبکه عصبی مصنوعی، بهترین برازش را برای داده­های تابش کل خورشیدی ماهانه ارائه می­کند، اما توانایی این مدل در برآورد مقادیر بالای تابش کل خورشیدی ماهانه کاهش می­یابد.  لذا استفاده از این مدل برای مناطق با میزان تابش دریافتی کمتر توصیه می­شود. عملکرد مدل ANFIS در تحت پوشش قرار دادن مقادیر بالا و پائین (چارک­های چهارم و اول) از سایر مدل­ها بهتر بود. بنابراین مزیت مدل ANFIS را در برآورد دقیق­تر مقادیر بزرگتر تابش خورشیدی است و از این مدل برای برآورد تابش خورشیدی در مناطق با میزان بالای دریافتی تابش خورشیدی می­توان بهره برد. علاوه بر این، بر خلاف نتایج پژوهش­های پیشین که عملکرد مدل GEP برای برآورد تابش آفتابی روزانه را رضایت بخش ارزیابی نکرده بودند، نتایج پژوهش حاضر نشان داد که استفاده از مدل GEP برای برآورد تابش آفتابی کل ماهانه، به ویژه در محدوده 250 تا 800 مگاژول بر متر مربع رضایت‌بخش است. بنابراین می­توان چنین نتیجه گرفت که توانایی مدل GEP در مدل­سازی پدیده­هایی با نوسانات کمتر و محدوده کوچک­تر بیشتر است.}, keywords_fa = {برنامه‌ریزی بیان ژن,تابش کل آفتابی ماهانه,سیستم استنتاج فازی‌- عصبی تطبیقی,شبکه عصبی مصنوعی,تبریز}, url = {https://water-soil.tabrizu.ac.ir/article_11636.html}, eprint = {https://water-soil.tabrizu.ac.ir/article_11636_fc166c07c0ad2e235132c326e53d023f.pdf} }