ارزیابی شبکه عصبی مصنوعی و مدل تجربی ایرماک در تخمین تابش خالص خورشیدی روزانه در اقلیم سرد و نیمه‌خشک (مطالعه موردی: همدان)

نوع مقاله: مقاله پژوهشی

نویسندگان

1 1- استاد هواشناسی گروه مهندسی آّب، دانشگاه بوعلی سینا، همدان

2 2- دانشجوی سابق کارشناسی ارشد آبیاری و زهکشی، دانشگاه بوعلی سینا، همدان

چکیده

یکی از عوامل مهم و تأثیرگذار در شار حرارتی خاک و شدت تبخیر- تعرق، تابش خالص خورشیدی می­باشد. تابش خالص تفاوت بین شارهای تابش ورودی و خروجی در طول موج­های بلند و کوتاه می­باشد. اندازه­گیری تابش خالص به‌علت مشکلات واسنجی و هزینه آن دشوار است. بنابراین تابش خالص اغلب از معادلات نیمه­تجربی مبتنی بر مشاهدات تابش طول‌موج کوتاه خورشیدی، فشار بخار و دمای هوا پیش­بینی می­شود. با توجه به اینکه شبکه عصبی در پیش­بینی پارامترهای هواشناسی و هیدرولوژی از عملکرد مناسبی برخوردار است، لذا در این تحقیق سعی شد تا با استفاده از شبکه عصبی مقدار تابش خالص روزانه همدان که دارای اقلیم سرد و نیمه­خشک می­باشد تخمین زده شود و با داده­های اندازه­گیری شده تابش خالص روزانه ایستگاه کلیماتولوژی دانشگاه بوعلی سینا در طول دوره 13 ماه (آذر 1390- آذر 1391) مقایسه شود. همچنین در این پژوهش مدل تجربی ایرماک نیز برای برآورد تابش خالص روزانه مورد واسنجی و استفاده قرار گرفت. بدین منظور، در طراحی شبکه عصبی 11 پارامتر هواشناسی مؤثر در تابش خالص به­عنوان ورودی مدل به‌کار گرفته شد. پس از انجام آزمون و خطا در انتخاب مدل بهینه، شبکه عصبی با آرایش 1-2-11 برای پیش­بینی تابش خالص مورداستفاده قرار گرفت. 70 درصد داده­ها جهت آموزش و 30 درصد داده­ها  به­منظور اعتبارسنجی مدل استفاده گردید. برآوردهای مدل ایرماک نیز به­صورت روزانه ارائه گردید. نتایج تحقیق نشان داد که شبکه عصبی با ضریب تعیین (R2) 95/0 و مقدار خطا RMSE معادل1377 (وات بر متر­مربع در روز) عملکرد و دقت بهتری در تخمین تابش خالص در مقایسه با مدل ایرماک با ضریب تعیین 55/0 و مقدار آماره RMSE معادل 13614 (وات بر متر­مربع در روز)  دارا می­باشد.

کلیدواژه‌ها


عنوان مقاله [English]

Evaluation of Artificial Neural Network (ANN) and Irmak Experimental Models to Predict Daily Solar Net Radiation (Rn) in Cold Semi-arid Climate (Case study: Hamedan)

نویسندگان [English]

  • AA Sabziparvar 1
  • B Khataar 2
چکیده [English]

Solar net radiation (Rn) is one of the most important factors influencing soil heat flux and evapotranspiration rate process. This parameter is derived from the difference between downward and upward radiation fluxes reaching the earth’s surface. Field measurements of Rn are cost effective and difficult to maintain. Therefore, in the most cases, Rn is estimated by empirical, semi- empirical and physical-based models. Recent studies show that the artificial neural network (ANN) is a reliable tool for estimating daily Rn with reasonable performance for the area where lack or shortage of field Rn exists. Using Irmak model and ANN approach, we tried to estimate daily Rn for one of the cold semi-arid sites located in Hamedan. For model evaluations, Rn data were measured in hourly base during December 2011 to December 2012 at Bu-Ali Sina University weather site. In this study, we used 11 daily meteorological parameters as the inputs of ANN to generate the Rn estimates (70% of the data set for training data and 30% for model validation). The results showed that the best model performance of ANN was obtained from a 11-2-1 architecture and the sigmoid function based on the back- propagation training algorithm. The least ANN error was observed by employing 10000 iterations for the training step and two neurons in the hidden layers. The results indicated that the daily net radiation from ANN was more accurate (R2>0.95) than the previously recommended Irmak model.

کلیدواژه‌ها [English]

  • : ANN
  • Estimation
  • Irmak model
  • Solar net radiation logger