TY - JOUR ID - 73372 TI - مقایسۀ عملکرد رگرسیون خطی چندمتغیره و مدل‏ های هوش ‏مصنوعی در تخمین تابش کل خورشیدی JO - پژوهش های جغرافیای طبیعی JA - JPHGR LA - fa SN - 2008-630X AU - سبزی پرور, علی اکبر AU - عاقل پور, پویا AU - ورشاویان, وحید AD - استاد هواشناسی، دانشکدة کشاورزی، دانشگاه بوعلی سینا، همدان AD - دانشجوی کارشناسی ارشد هواشناسی کشاورزی، دانشکدة کشاورزی، دانشگاه بوعلی سینا، همدان AD - استادیار، دانشکدة کشاورزی، دانشگاه بوعلی سینا، همدان Y1 - 2019 PY - 2019 VL - 51 IS - 2 SP - 353 EP - 372 KW - دمای خاک KW - رطوبت خاک KW - GSR KW - MLP KW - ANFIS KW - GRNN DO - 10.22059/jphgr.2019.264084.1007263 N2 - در این پژوهش، برای اولین ‏بار در ایران، تابش کل خورشیدی (GSR) با به‏کارگیری داده‏های ساعتی رطوبت خاک و بدون استفاده از داده‏های ساعت آفتابی و مقدار ابرناکی برآورد شد. بدین منظور، از هشت متغیر روزانه شامل میانگین دمای هوا، بیشینة دما، کمینة دما‏، فشار هوا، رطوبت نسبی هوا، بارندگی، دمای میانگین خاک، و رطوبت خاک در کنار تابش کل روزانه‏ در ایستگاه تحقیقاتی هواشناسی دانشگاه بوعلی سینا در یک دورة 435روزه (ثبت‏شده توسط واقعه‏نگاشت GEONICA) و مدل‏های رگرسیون خطی، سیستم استنتاج عصبی- فازی تطبیفی (ANFIS)، شبکة عصبی پرسپترون چندلایه (MLP)، و شبکة عصبی رگرسیون تعمیم‏یافته (GRNN) استفاده‏ شد. نمونه‏های ورودی- هدف به دو صورت تصادفی و غیرتصادفی وارد مدل‏ها شد که نتایج گواه بر دقت بهتر مدل‏ها در نمونه‏های تصادفی‏شده تحت شرایط استفاده از کل متغیرها به‏عنوان ورودی بود. بررسی‏ها حاکی از برتری مدل MLP با 04/3RMSE= مگاژول بر متر مربع در روز و %33/86=R2 بود. افزون‏براین، به‏کارگیری کمترین متغیرهای هواشناسی شامل سه متغیر دمای میانگین هوا، رطوبت نسبی هوا، و دمای خاک در مدل GRNN توانست با 45/3RMSE= مگاژول بر مترمربع در روز و %52/82R2= عملکرد بسیار مطلوبی در تخمین GSR ارائه دهد. رگرسیون خطی چند‏متغیره نیز فقط توانست یافتن ورودی‏ها را تسهیل کند. UR - https://jphgr.ut.ac.ir/article_73372.html L1 - https://jphgr.ut.ac.ir/article_73372_5405f1bd3f45cc5a3ace6ee4e561efa2.pdf ER -