مقایسه عملکرد رگرسیون خطی چندمتغیره و مدل‏ های هوش ‏مصنوعی در تخمین تابش کل خورشیدی

در این پژوهش، برای اولین ‏بار در ایران، تابش کل خورشیدی (GSR) با به‏کارگیری داده های ساعتی رطوبت خاک و بدون استفاده از داده های ساعت آفتابی و مقدار ابرناکی برآورد شد. بدین منظور، از هشت متغیر روزانه شامل میانگین دمای هوا، بیشینه دما، کمینه دما‏، فشار هوا، رطوبت نسبی هوا، بارندگی، دمای میانگین خاک، و رطوبت خاک در کنار تابش کل روزانه‏ در ایستگاه تحقیقاتی هواشناسی دانشگاه بوعلی سینا در یک دوره 435روزه (ثبت‏شده توسط واقعه‏نگاشت GEONICA) و مدل‏های رگرسیون خطی، سیستم استنتاج عصبی- فازی تطبیفی (ANFIS)، شبکه عصبی پرسپترون چندلایه (MLP)، و شبکه عصبی رگرسیون تعمیم‏یافته (GRNN) استفاده‏ شد. نمونه های ورودی- هدف به دو صورت تصادفی و غیرتصادفی وارد مدل‏ها شد که نتایج گواه بر دقت بهتر مدل‏ها در نمونه های تصادفی‏شده تحت شرایط استفاده از کل متغیرها به‏عنوان ورودی بود. بررسی ها حاکی از برتری مدل MLP با 04/3RMSE= مگاژول بر متر مربع در روز و %33/86=R2 بود. افزون‏براین، به‏کارگیری کمترین متغیرهای هواشناسی شامل سه متغیر دمای میانگین هوا، رطوبت نسبی هوا، و دمای خاک در مدل GRNN توانست با 45/3RMSE= مگاژول بر مترمربع در روز و %52/82R2= عملکرد بسیار مطلوبی در تخمین GSR ارائه دهد. رگرسیون خطی چند‏متغیره نیز فقط توانست یافتن ورودی ها را تسهیل کند.