برآورد تابش خورشیدی کل با استفاده از دو روش وایازی و شبکه عصبی مصنوعی در منطقه مشهد
عنوان دوره: هجدهمین کنفرانس ژئوفیزیک ایران
کد مقاله : 1116-NIGS
نویسندگان
چکیده
برآورد میزان تابش خورشیدی رسیده به سطح زمین در مطالعات کشاورزی، هواشناسی، آبشناسی و اقلیمی دارای اهمیت ویژهای میباشد. علیرغم اهمیت موضوع، شرایط اندازهگیری این پارامتر در همه نقاط مهیا نیست. بنابراین معمولاً مدلهای متعددی جهت برآورد آن در اقلیمهای مختلف استفاده میشود. در مطالعه حاضر مقدار تابش خورشیدی کل ماهانه با استفاده از دو روش وایازی خطی چندمتغیره و شبکه عصبی مصنوعی در منطقه مشهد برآورد شدهاست. اطلاعات ورودی مدل شامل برخی ویژگیهای نوری جو از جمله کسر ابر، ضخامت نوری هواویز، محتوای آب قابل بارش و ضخامت نوری ابر از ماهواره مادیس در بازه زمانی2002 تا 2015 میباشد. بر اساس نتایج، مدلهای وایازی که در آنها از کسر ابر بهعنوان متغیر پیشبینیکننده استفاده شد نسبت به دیگر مدلها دقت بالاتری دارند. مقایسه نتایج مدل شبکه عصبی با مدل وایازی خطی برای حالت با تعداد متغیر ورودی مشابه نشان میدهد خطای مدل وایازی تقریباً دو برابر شبکه عصبی است.
کلیدواژه ها
Title
Estimation of Global Solar Radiation by Regression and Artificial Neural Network in Mashhad
Authors
Abstract
Incident solar radiation is important in agriculture, meteorology, hydrology and climatology studies. However, direct measurements of solar radiation are usually not available where required. Therefore, it is usually estimated by using models based on routine atmospheric variables. In this study, monthly global solar radiation in Mashhad is estimated by multiple linear regression and artificial neural network methods. Atmospheric optical properties, such as cloud fraction, aerosol optical depth, precipitable water and cloud optical depth, derived from MODIS since 2002 to 2015 are used as model input data. According to results, the regression models that use cloud fraction as input variable, are more accurate than others. Comparing neural network with linear regression results for common inputs, shows that error in neural network model is about half of that in linear regression model.
Keywords
Global solar radiation, Atmospheric optical properties, MODIS, Linear regression model, Neural network model