برآورد تابش خورشیدی با کاربرد شبکه عصبی مصنوعی بهینه‌سازی شده با الگوریتم ژنتیک و استفاده از پارامترهای هواشناسی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران

2 عضو هیات علمی دانشگاه تبریز

3 استاد، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران

چکیده

تابش خورشیدی یکی از عوامل کلیدی در زمینه‌های کشاورزی، هیدرولوژی و هواشناسی است و نقش اساسی در انواع فرآیندهای فیزیکی، بیولوژیکی و شیمیایی از جمله ذوب برف، تبخیر، فتوسنتز گیاه و تولید محصول ایفا می‌کند و برآورد دقیق این پارامتر اهمیت فراوانی دارد. بر این اساس، در این مطالعه مقادیر تابش خورشیدی روزانه با استفاده از مدل‌های مختلف شبکه عصبی مصنوعی و شبکه عصبی مصنوعی بهینه‌سازی شده با الگوریتم ژنتیک در شش ایستگاه استان اردبیل شامل اردبیل، بیله سوار، سرعین، گرمی، مشگین شهر و نیر تخمین زده شد. داده‌های استفاده شده در این تحقیق بیشینه، کمینه و میانگین دما، رطوبت نسبی و سرعت باد ایستگاه‌های مذکور در بازه زمانی دو ساله (2018-2017) می‌باشند که در هشت ترکیب مختلف به‌عنوان داده‌های ورودی مدل‌ها به کار گرفته شده‌اند. همچنین از شاخص‌های آماری ضریب همبستگی، جذر میانگین مربعات خطا، شاخص ویلموت، راندمان کلینگ-گاپتا و دیاگرام تیلور برای مقایسه نتایج به‌دست‌آمده بهره گرفته شده است. به‌طورکلی نتایج به‌دست‌آمده نشان داد که در روش شبکه عصبی مصنوعی، مدل‌های ایستگاه بیله سوار و در روش شبکه عصبی مصنوعی-الگوریتم ژنتیک مدل‌های ایستگاه اردبیل دقیق‌ترین نتایج را ثبت کردند. همچنین مدل MLP-VIIIدر ایستگاه بیله سوار با دارا بودن ضریب همبستگی 856/0، جذر میانگین مربعات خطای 319/0 (مگاژول بر متر مربع در روز)، راندمان کلینگ-گاپتا 659/0 و شاخص ویلموت 893/0 بهترین عملکرد را در بین مدل‌های به کار گرفته شده دارد. به عنوان نتیجه کلی تحقیق حاضر، استفاده از شبکه عصبی مصنوعی بهینه‌سازی شده با الگوریتم ژنتیک در برآورد هر چه دقیق‌تر تابش خورشیدی توصیه گردید.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Estimation of solar radiation by implementing optimized artificial neural network-genetic algorithm and utilizing the meteorological parameters

نویسندگان [English]

  • Sajjad Hashemi 1
  • Saeed Samadianfard 2
  • Ali Ashraf Sadraddini 3
1 Ph.D. Candidate of Irrigation and Drainage, Department of Water Engineering, Faculty of Agriculture, Tabriz University, Tabriz, Iran
2 Department of Water Engineering, Faculty of Agriculture, University of Tabriz, Tabriz, Iran
3 Professor, Department of Water Engineering, Faculty of Agriculture, Tabriz University, Tabriz, Iran
چکیده [English]

Solar radiation is one of the key factors in the fields of agriculture, hydrology and meteorology and plays an essential role in various physical, biological and chemical processes such as snowmelt, evaporation and photosynthesis of plants and crop production and accurate estimation of this parameter has great importance. Accordingly, in this study, the amounts of daily solar radiation were estimated using artificial neural network and artificial neural network-genetic algorithm in six stations of Ardabil province including Ardabil, Bilehsavar, Sareyn, Germi, Meshgin Shahr and Nir. The data used in this research include maximum, minimum and average temperature, relative humidity and wind speed of the mentioned stations in a time period of two years (2017-2018) which are used in eight different combinations as input data of the models. Also, statistical indices of correlation coefficient, root mean square error, Wilmot index, Kling-Gupta efficiency and Taylor diagrams have been used to compare the obtained results. Generally, the obtained results indicated that in the artificial neural network method, the models of Bilehsavar station and in the artificial neural network-genetic algorithm method, the models of Ardabil station recorded the most accurate results. Also, MLP-VIII model in Bilehsavar station with a correlation coefficient of 0.856, root mean square error of 0.319 (MJ/m2d), Kling-Gupta efficiency of 0.659 and Wilmot index of 0.893 have the best performance in the utilized models. As a conclusion, the use of artificial neural network-genetic algorithm method in estimating solar radiation as accurately as possible was recommended.

کلیدواژه‌ها [English]

  • agriculture
  • artificial intelligence
  • efficiency
  • optimization
  • solar energy