مقايسۀ عملكرد رگرسيون خطي چندمتغيره و مدل‏ هاي هوش ‏مصنوعي در تخمين تابش كل خورشيدي

در اين پژوهش، براي اولين ‏بار در ايران، تابش كل خورشيدي (GSR) با به‏كارگيري داده‏هاي ساعتي رطوبت خاك و بدون استفاده از داده‏هاي ساعت آفتابي و مقدار ابرناكي برآورد شد. بدين منظور، از هشت متغير روزانه شامل ميانگين دماي هوا، بيشينه دما، كمينه دما‏، فشار هوا، رطوبت نسبي هوا، بارندگي، دماي ميانگين خاك، و رطوبت خاك در كنار تابش كل روزانه‏ در ايستگاه تحقيقاتي هواشناسي دانشگاه بوعلي سينا در يك دوره 435روزه (ثبت‏شده توسط واقعه‏نگاشت GEONICA) و مدل‏هاي رگرسيون خطي، سيستم استنتاج عصبي فازي تطبيفي (ANFIS)، شبكه عصبي پرسپترون چندلايه (MLP)، و شبكه عصبي رگرسيون تعميم‏يافته (GRNN) استفاده‏ شد. نمونه‏هاي ورودي هدف به دو صورت تصادفي و غيرتصادفي وارد مدل‏ها شد كه نتايج گواه بر دقت بهتر مدل‏ها در نمونه‏هاي تصادفي‏شده تحت شرايط استفاده از كل متغيرها به‏عنوان ورودي بود. بررسي‏ها حاكي از برتري مدل MLP با RMSE=3.04 مگاژول بر متر مربع در روز و %86.33=R2 بود. افزون‏براين، به‏كارگيري كمترين متغيرهاي هواشناسي شامل سه متغير دماي ميانگين هوا، رطوبت نسبي هوا، و دماي خاك در مدل GRNN توانست با RMSE=3.45 مگاژول بر مترمربع در روز و %82.52R2= عملكرد بسيار مطلوبي در تخمين GSR ارائه دهد. رگرسيون خطي چند‏متغيره نيز فقط توانست يافتن ورودي‏ها را تسهيل كند.