این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
ژئوفیزیک ایران، جلد ۱۷، شماره ۴، صفحات ۲۵-۳۹
عنوان فارسی کاربست الگوریتم‌های یادگیری ماشین برای تخمین تابش خورشیدی (مورد مطالعه: اقلیم خشک و نیمه‌خشک)
چکیده فارسی مقاله تابش خورشیدی، یکی از متغیرهای مهم در مدل­های بیلان انرژی و شبیه­سازی رشد گیاهان است. در پژوهش حاضر، عملکرد نه الگوریتم یادگیری ماشین نظارت شده شامل الگوریتم­های رگرسیون خطی (LR)، رگرسیون خطی با اصلاح تابع زیان (LASSO)، رگرسیون خالص الاستیک (EN)، k نزدیک‌ترین همسایه (KNN)، درخت تصمیم­گیری (DT)، ماشین بردار پشتیبان (SVR)، جنگل تصادفی (RF)، درختان اضافی (ET) و الگوریتم تقویت ماشین (GBM) برای برآورد تابش خورشیدی در ایستگاه همدید یزد در حد فاصل سال­های 2005 تا 2021 با روش اعتبار سنجی متقابل (kfold) مورد بررسی قرار گرفت. پارامترهای میانگین دما، دمای کمینه، دمای بیشینه، ساعات آفتابی، رطوبت نسبی و تابش خورشیدی به­صورت روزانه از سازمان هواشناسی کشور دریافت و متغیرهای تابش فرازمینی، فاصله نسبی زمین تا خورشید، زاویه میل خورشیدی و حداکثر ساعات آفتابی با روابط موجود محاسبه و برای ورودی مدل­های پیش­بینی انتخاب شدند. معیارهای ارزیابی برای تخمین تابش خورشیدی MSE (متوسط مربعات خطا)، MAPE (متوسط قدرمطلق خطا) و ضریب تعیین (R2) در نظر گرفته شدند. نتایج نشان داد که مدل رگرسیون ماشین بردار پشتیبان (SVR) کمترین خطا را برای تخمین تابش روزانه خورشید دارد؛ به­طوری­که مدل ماشین بردار پشتیبان با میانگین مربعات خطای 85/2 مگا ژول بر مترمربع بر روز، قدر مطلق خطای 803/0 و ضریب تبیین 919/0 در مرحله آزمون و به­ترتیب 54/1 مگا ژول بر مترمربع بر روز، 92/4 و 870/0 در مرحله آموزش مدل­ها نسبت به سایر مدل­ها عملکرد بهتری در تخمین تابش خورشیدی داشته است که نشان­دهنده توانائی این مدل برای کاربردهای خورشیدی و گرمایی توسط مهندسان و سایر محققین است.
کلیدواژه‌های فارسی مقاله مشخصات هندسی، داده کاوی، زاویه میل خورشیدی، تابش، الگوریتم، یزد،
عنوان انگلیسی Application of machine learning algorithms to estimate solar radiation (case study: arid and semi-arid climate)
چکیده انگلیسی مقاله Solar radiation is very important as one of the important variables in energy balance models and plant growth simulation. Although the measurement of this variable has a relatively long history in Iran, due to the high costs of measuring devices, there is no pyranometer in many existing stations in the country, and there are problems such as its recalibration, water, and dust accumulation that exists on the sensor. Even in meteorological stations that measure radiation, there are days when radiation data is not recorded or unrealistic values outside the expected range are observed due to equipment violations or other problems.
This research investigated the performance of nine machine learning algorithms including linear regression (LR), Least Absolute Shrinkage and Selection Operator (Lasso), Elastic Net (EN), K-Nearest Neighbors (kNN), Decision Tree (DT), Support Vector Regression (SVR), Random Forest (RF), Extra Trees (ET) and Gradient Boosting Machine (GBM) to estimate solar radiation in Yazd synoptic station between 2005 and 2021 with cross-validation method (kfold). The parameters of average temperature, minimum temperature, maximum temperature, sunny hours, relative humidity, and solar radiation are obtained from the National Meteorological Organization on a daily basis and extraterrestrial radiation variables, relative distance from the earth to the sun, solar inclination angle, and maximum sunny hours are calculated with existing relationships and were selected as input for the prediction models. The evaluation criteria for solar radiation estimation were MSE (Mean Square Error), MAPE (Mean Absolute Error), and determination Coefficient (R2).
The results showed the coefficient of determination (R2) varies between 0.716 and 0.870 depending on the algorithm used in the training phase. In other words, in terms of the determination coefficient, all the used algorithms showed good results for predicting solar radiation. According to the results of all three criteria, it can be seen that the Support Vector Regression (SVR) algorithm has performed better than other algorithms. After the support vector regression (SVR) algorithm, the linear regression (LR) algorithm was ranked next with the MAPE of 5.04, the MSE of 1.13, and the R2 of 0.867. Also, the elastic pure regression algorithm (EN) with the highest mean absolute value of error (MAPE), the highest mean squared error (MSE), and the lowest coefficient of explanation (R2) ranked last among the nine used algorithms. After the data training phase, using the K-fold cross-validation method, the remaining 20% of the data were tested. As the results show, the MSE changes for nine machine learning algorithms are high and vary from about 3 to 9 Mj/m2/day. Its highest value was observed in the DT algorithm and its lowest value was observed in the support vector algorithm. The average value of the absolute value of the error was also in the range of 0.8 to 2.2 Mj/m2/day, and also the values of the R2 were different in the range of 0.7 to 0.9. In general, and according to the results of all three evaluation criteria, the support vector machine algorithm showed the best results in the data test stage as well as in the training stage.
کلیدواژه‌های انگلیسی مقاله مشخصات هندسی, داده کاوی, زاویه میل خورشیدی, تابش, الگوریتم, یزد
نویسندگان مقاله سمیه سلطانی گردفرامرزی |
دانشیار گروه علوم و مهندسی آب، دانشکده کشاورزی و منابع طبیعی، دانشگاه اردکان، اردکان، ایران

هاجر مومنی |
پژوهشکده آب، انرژی و محیط زیست، دانشگاه اردکان، اردکان، ایران استادیار گروه مهندسی برق، دانشکده فنی و مهندسی، دانشگاه اردکان، اردکان، ایران

نشانی اینترنتی https://www.ijgeophysics.ir/article_171272_63dbe29e22a191b72261ed47feae6c8b.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات