مقایسه مدل های هوش مصنوعی(شبکه های عصبی و جنگل تصادفی)در تخمین تابش خورشیدی مناطق خشک

تابش خورشید نقش کلیدی در انواع فرایندهای فیزیکی و بیولوژیکی و شیمیایی ازجمله ذوب برف و تبخیر و فتوسنتز گیاه و تولید محصول دارد و یکی از عوامل مهم و تاثیرگذار در تبخیر- تعرق تابش خورشیدی است و درنتیجه یک عامل ورودی در معادله پنمن مانتیث می باشد. از سوی دیگر بهبود دقت مدل هایی که در تخمین تابش خورشیدی به مولفه‌های کمتری نیازمند هستند امری ضروری می باشد. درتحقیق حاضر مدل های هوش مصنوعی نظیرشبکه عصبی و جنگل تصادفی با ورودی های تابش فرازمینی، دمای بیشینه،دمای کمینه، روز از سال و شاخص آسمان صاف در ایستگاه های بوشهرو فسا در برآورد تابش خورشیدی ارزیابی گردید. نتایج حاصل حاکی از برتری مدل های شبکه عصبی (ann) بر مدل های جنگل تصادفی (rf) بوده است. در مقایسه کلی بین مدل‌ها و دقیق ترین مدل در ایستگاه فسا و روش شبکه عصبی، ترکیب ورودی 4 با شاخص si rmse, وns به ترتیب11/0، 36/2 و 84/0 نسبت به مدل های دیگر دقت بالایی داشت. قابل ذکر است نتایج بدست آمده از مدل جنگل تصادفی نیز رضایت بخش بود.

comparison of artificial intelligence models (neural networks and random forest) in solar radiation estimation

sunlight plays a key role in a variety of physical, biological and chemical processes including snowmelt, evaporation and photosynthesis of crops and crop production, and is one of the important and influential factors in solar radiation evapotranspiration and is therefore an input factor in the penman-montith equation. . on the other hand, it is necessary to improve the accuracy of models that require fewer components in estimating solar radiation. in the present study, models of artificial intelligence such as neural network and random forest with extraterrestrial inputs, maximum temperature, minimum temperature, day of the year and clear sky index at bushehr fasa stations were evaluated in solar radiation estimation. the results show that neural network (ann) models are superior to random forest (rf) models. in general, the comparison between the models and the most accurate model at fasa station and neural network method, combined the input 4 with si rmse, ns and 0.11, 2.36 and 0.84, respectively, with high accuracy. it is noteworthy that the results obtained from the random forest model were also satisfactory.