مدلسازي هوشمند تابش خورشيدي با استفاده از آزمون گاما و مقايسه با معادلات تجربي واسنجي شده در كرمانشاه

Solar radiation data and their intelligent modeling based on gamma test with evaluation of calibrated empirical equations

تابش خورشيدي يكي از مهمترين پارامترهاي ورودي در مدلهاي هيدرولوژيكي و رشد گياهان ميباشد، ولي در بسياري از ايستگاهها به دليل هزينه زياد تجهيزات اندازهگيري تابش خورشيدي و هم چنين هزينه نگهداري آنها، اندازهگيري مستقيم اين پارامتر بهطور محدود انجام ميشود. طي دهه هاي گذشته جهت تخمين تابش خورشيدي، معادلات تجربي و مدلهاي غيرخطي مختلفي بر اساس پارامترهاي هواشناسي ارايه شده است. در اين پژوهش جهت تخمين تابش خورشيدي از آمار روزانه 5 پارامتر هواشناسي شامل دماي حداقل، دماي حداكثر، رطوبت نسبي، ساعات آفتابي و تابش برونزميني در ايستگاه سينوپتيك كرمانشاه طي سالهاي 1992 الي 2001 استفاده شد. ابتدا با بررسي صحت و كنترل كيفي دادههاي تابش خورشيدي، دادههاي صحيح طي سه مرحله آزمون استخراج گرديد. سپس با استفاده از تكنيك پيشپردازش آزمون گاما از ميان 31 تركيب مختلف از پارامترهاي ورودي، بهترين تركيب شامل همه پارامترهاي ورودي براي مدلهاي غيرخطي رگرسيون محلي و لونبرگ (SCG) با دو تابع آموزشي گراديان ادغامي (ANN) شبكه عصبي مصنوعي ،(LLR) تست تعداد 1300 الگو براي آموزش 1 M تعيين شد. آنگاه با استفاده از آزمون (LM) ماركوارت و واسنجي معادلات تجربي نيز مشخص گرديد و از 885 الگوي باقيمانده براي ANN ،LLR مدل هاي مبتني ANN (SCG) ،ANN (LM) ،LLR ارزيابي مدلهاي ايجاد شده، استفاده شد. در ادامه مدلهاي بر آزمون گاما و معادلات تجربي واسنجيشده در دوره آزمون، با معيارهاي مختلف آماري (ضريب با هم ((MAPE) و ميانگين قدرمطلق درصد خطا (RMSE) ريشه ميانگين مربعات خطا ،(R تبيين ( 2 مقايسه شدند. نتايج نشان داد كه با استفاده از معادلات واسنجيشده مبتني بر ساعات آفتابي ميتوان با ANN ،ANN (LM) روزانه را تخمين زد. علاوه بر اين، مدلهاي غيرخطي Rs دقت نسبتاً بالايي مقادير نسبت به معادلات تجربي واسنجيشده داراي مقدار خطاي كمتري هستند. ضمن آنكه LLR و (SCG) برابر با MAPE و RMSE 0 روي خط ( 1:1 ) و مقادير / با ضريب تبيين 9599 ANN (LM) مدل 6 درصد داراي بيشترين دقت ميباشد. / 1/4213 مگاژول بر متر مربع در روز و 7616 واژه هاي كليدي: تابش خورشيدي، كنترل كيفي دادهها، آزمون گاما، رگرسيون خطي محلي، مدلسازي هوشمند، كرمانشاه

Solar radiation (Rs) is one of the most input parameters in hydrological models and crop growth. Despite its importance for many cases but Rs measurements are not easily available due to the cost, maintenance and calibration requirements of the measuring equipment. Over the past decades, many researchers have developed various equations and none linear models for accurately estimating RS from meteorological parameters. In this study, daily maximum and minimum air temperature, relative humidity, extraterrestrial radiation and actual sunshine duration values from 1992 to 12001 for Kermanshah synoptic station, were used as inputs. In first stage, the measured Rs data were investigated to control errors and inconsistencies. After quality control test appropriate combination and dataset requiring for training nonlinear model and calibrating empirical equations were determined by using gamma test (GT). Based on GT finding, appropriate combination consists of all input parameters and dataset was needed to training Local Linear Regression (LLR), Artificial Neural Network (ANN) and empirical equations equal to1300 datasets. The LLR and ANN with two learning methods (Levenberg-Marquardt (LM) and Conjugate Gradient (SCG)) models based on gamma test have been implemented and compared with eight locally calibrated empirical RS equations. The comparisons have been based on statistical error criteria, using measured daily RS values. The results indicate that nonlinear model have high accuracy than empirical equation and ANN (LM) with R2 equal 0.9599 and RMSE and MAPE 1.4213 MJ.m-2.d-1 and 6.7616 percent respectively has minimum error. Keywords: Solar radiation, Quality control; Intelligent modeling; Gamma test; Local linear regression; Kermanshah