عنوان پایان‌نامه
مقایسه روشهای مختلف تخمین تابش خورشیدی در جنوب شرق تهران
- رشته تحصیلی
- مهندسی‌کشاورزی-آبیاری و زهکشی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 39940;کتابخانه پردیس ابوریحان شماره ثبت: 240
- تاریخ دفاع
- ۱۹ بهمن ۱۳۸۷
- دانشجو
- محبوبه جمشیدی
- استاد راهنما
- علی رحیمی خوب
- چکیده
- تابش خورشید رسیده به زمین یکی از پارامتر های مورد نیاز برای مطالعات منابع آب، محیط زیست و کشاورزی است. این پارامتر به ندرت در ایستگاه¬های هواشناسی اندازه¬گیری می¬شود و از این رو روش¬های تجربی زیادی برای برآورد آن با استفاده از سایر پارامتر¬های هواشناسی ارائه شده است. در این تحقیق هفت روش تجربی مبتنی بر داده¬های هواشناسی ("آنگستروم"، "هارگریوز- سامانی"، "صباغ"، "دانشیار"، "اوگلمان و همکاران"، "آکینوگلا و ایکویت" و "لوچی و همکاران") جهت برآورد تابش روزانه خورشید در جنوب شرق استان تهران واسنجی و ارزیابی شدند و نتایج آن با مدل های شبکه عصبی با ورودی¬های مختلف مقایسه شد. داده¬های مورد نیاز این تحقیق بمدت 2 سال و بصورت روزانه از ایستگاه اتوماتیک هواشناسی پردیس ابوریحان جمع¬آوری شد. در این تحقیق از شبکه¬های چند لایه پیشرو با الگوریتم آموزشی پس انتشار که جزء روش¬های آموزش با ناظر است برای ساخت مدل¬های شبکه عصبی استفاده شد. روش¬های مختلف آموزشی و توابع مختلف آستانه مورد بررسی قرار گرفت و الگوریتم آموزشی لونبرگ و تابع آستانه زیگموئیدآکسون بهترین نتایج را دادند. نتایج این بررسی ها نشان داد که مدل تجربی آکینوگلا و ایکویت بهترین تخمین را از تابش، در بین مدل های تجربی دارا می باشد ولی به طور کلی مدل های شبکه عصبی مصنوعی تواناتر از مدل های تجربی در تخمین تابش هستند. مدل شبکه عصبی مصنوعی با 6 داده ورودی شامل ساعات واقعی آفتاب، حدکثر ساعات آفتابی، دمای مینیمم هوا، دمای ماکزیمم هوا، رطوبت نسبی و تابش برون زمینی بهترین دقت را دارد. این مدل تابش روزانه خورشید را با ضریب تعیین (R2) برابر 96/0 و جذر میانگین مربع خطا (RMSE) برابر 40/1 مگاژول بر متر مربع در روز برآورد می¬کند. واژه¬های کلیدی: تابش خورشید، تهران، روش¬های تجربی، مدل شبکه عصبی
- Abstract
- Daily solar radiation intercepted at the earth’s surface is an input required by most crop growth, development and yield simulation models. However, the measurements of this parameter can only be determined in a few places. This has led researchers to develop a number of methods for estimating solar radiation based on frequently available meteorological records such as hours of sunshine or air temperature. This research calibrated and evaluated seven empirical models of estimating solar radiation for southeast of Tehran (Iran) and their results compared to artificial network neural models (ANNs) with various input data. The required meteorological data in this study was gathered from two weather stations, situated in Pakdasht Agricultural Region, which is one of the most important agricultural areas in the southeast of Tehran province (Iran). In this study, multilayer perceptron (MLP) type with Backpropagation (BP) algorithm was employed to train the ANNs. Various BP training algorithms and transfer functions were evaluated. The results indicated that Levenberg– Marquardt training algorithm and logsigmoid transfer function gave reliable estimation. This research demonstrates that neural networks using six input data include sunshine duration, maximum and minimum air temperature, relative humidity and extraterrestrial radiation gave the best results. RMSE and R2 of this model were 0.96 and 1.4 MJ m-2 d-1 respectively. Keywords: Artificial Neural Network, Empirical models, Iran, Solar radiation
