بررسی کارایی روش های شبکه عصبی و رگرسیون چند متغیره در برآورد تابش کل خورشیدی در چند ایستگاه معرف اقلیم های خشک و نیمه خشک

در این مطالعه قابلیت روش های پرسپترون چند لایه (MLP) و رگرسیون خطی چند متغیره در برآورد شدت تابش کل خورشیدی مورد بررسی قرار گرفت. به این منظور از داده های روزانه 25 ساله (2017-1992) شامل دمای حداکثر، میانگین دما، میانگین رطوبت نسبی، ساعات آفتابی و شدت تابش خورشیدی در پنج ایستگاه همدیدی بندرعباس، زنجان، شیراز، کرمان و مشهد استفاده شد. ورودی های بکار رفته در مدل ها شامل ترکیبات مختلفی از این متغیر ها بودند. جهت بررسی عملکرد مدل ها از آماره های ضریب تعیین (R2)، ریشه میانگین مربعات خطا (RMSE)، میانگین مطلق خطا (MAE) و شاخص توافق (IA) استفاده شد. برای آموزش ساختار شبکه عصبی دو الگوریتم تنظیم بیزی (Br) و لونبرگ-مارکوات (LM) مورد مقایسه قرار گرفتند. علاوه بر این، فرآیند های آموزش و اعتبارسنجی بر روی داده ها انجام شد. نتایج مدل رگرسیون نشان داد که تمامی متغیرهای ورودی در ایستگاه های بندرعباس، زنجان و شیراز بر تابش تاثیرگذارند، اما تاثیرگذاری رطوبت نسبی بر مقدار تابش در ایستگاه های کرمان و مشهد اندک بود. کاربرد ANN با دو الگوریتم نشان داد که ایستگاه های بندرعباس و کرمان با الگوریتم Br و ایستگاه های زنجان، شیراز و مشهد با الگوریتم LM نتایج بهتری  به دست می دهند. با توجه به نتایج به دست آمده، کمترین مقادیر RMSE، MAE و بیشترین مقادیر IA و R2 مربوط به ایستگاه کرمان با اقلیم خشک سردسیر به ترتیب 799/2، 94/1، 954/0 و 838/0 می باشد. در یک نتیجه گیری کلی می توان گفت که کارایی مدل شبکه عصبی در برآورد تابش خورشیدی نسبت به مدل رگرسیون خطی چند متغیره در مقایسه با داده های مشاهداتی بهتر بوده است.