بررسی کارایی روش‌های شبکه عصبی و رگرسیون چند متغیره در برآورد تابش کل خورشیدی در چند ایستگاه معرف اقلیم‌های خشک و نیمه‌خشک

در این مطالعه قابلیت روش­های پرسپترون چند لایه (MLP) و رگرسیون خطی چند متغیره در برآورد شدت تابش کل خورشیدی مورد بررسی قرار گرفت. به این منظور از داده­های 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. ورودی­های بکار رفته در مدل­ها شامل ترکیبات مختلفی از این متغیر­ها بودند. جهت بررسی عملکرد مدل­ها از آماره­های 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، فرآیند­های آموزش و اعتبارسنجی بر روی داده­ها انجام شد. نتایج مدل رگرسیون نشان داد که تمامی متغیرهای ورودی در ایستگاه­های بندرعباس، زنجان و شیراز بر تابش تأثیرگذارند، اما تأثیرگذاری رطوبت نسبی بر مقدار تابش در ایستگاه‌های کرمان و مشهد اندک بود. کاربرد ANN با دو الگوریتم نشان داد که ایستگاه­های بندرعباس و کرمان با الگوریتم Br و ایستگاه­های زنجان، شیراز و مشهد با الگوریتم LM نتایج بهتری  به دست می­دهند. 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 می­باشد. در یک نتیجه­گیری کلی می­توان گفت که کارایی مدل شبکه عصبی در برآورد تابش خورشیدی نسبت به مدل رگرسیون خطی چند متغیره در مقایسه با داده­های مشاهداتی بهتر بوده است.