ارزیابی کارایی سامانه استنتاج تطبیقی عصبی-فازی (ANFIS) در برآورد تابش کل خورشیدی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد، گروه مهندسی آبیاری و آبادانی، دانشکده مهندسی و فناوری کشاورزی، دانشگاه تهران، کرج، ایران

2 استادیار، گروه مهندسی آبیاری و آبادانی، دانشکده مهندسی و فناوری کشاورزی، دانشگاه تهران، کرج

3 استادیار، گروه آب، دانشکده کشاورزی,، دانشگاه ارومیه، ارومیه، ایران

4 استادیار، گروه مهندسی آبیاری و آبادانی، دانشکده مهندسی و فناوری کشاورزی، دانشگاه تهران، کرج، ایران

10.22125/agmj.2020.170508.1056

چکیده

تابش خورشید نقش مهمی در بیلان انرژی سطح زمین و نیز مطالعات اقلیمی-کشاورزی دارد. در این پژوهش، جهت برآورد مقادیر تابش خورشیدی از سیستم استنتاج تطبیقی عصبی-فازی (ANFIS)5 استفاده شد و نتایج با مدل آنگستروم- پرسکات مبتنی بر متغیرهای هواشناسی مؤثر بر مقادیر تابش خورشیدی دریافتی در شش ایستگاه تابش‌سنجی منتخب ایران مورد مقایسه گرفت. به این منظور، از داده‌های هواشناسی یک دوره 11ساله (2017-2007) شش ایستگاه سینوپتیک به‌عنوان ورودی به مدل ANFIS در نرم‌افزار متلب استفاده شد. ورودی‌های مدل شامل طول ساعت آفتابی، رطوبت نسبی، دمای نقطه شبنم، فشار بخارآب، حداقل دمای هوا، حداکثر دمای هوا، میانگین دمای هوا، ابرناکی و دمای خاک و تنها خروجی مدل، تابش دریافتی روزانه بود. عملکرد دو مدل توسط آماره t (t-student) ارزیابی شد. مطابق نتایج، تخمین تابش خورشیدی توسط مدل ANFIS، نسبت به مدل آنگستروم تطابق بهتری با نتایج مشاهداتی دارد. در این مطالعه سنجه‌های آماری t، r، MBE و RMSE به‌منظور برآورد کارایی مدل در برآورد تابش خورشیدی در مقیاس زمانی روزانه و ماهانه به کار برده شدند که درمجموع، سنجه t حاصل از نتایج تخمین تابش با استفاده از مدل ANFIS، در ایستگاه‌های کرمان، مشهد، شیراز، زنجان، یزد و بندرعباس در مقیاس زمانی روزانه به ترتیب (78/4، 52/7، 25/3، 20/2، 93/3و 26/0) و ماهانه (0، 29/0، 59/0، 44/0، 21/0، 20/0) بودند. آماره t حاصل از نتایج تخمین تابش با استفاده از مدل آنگستروم در مقیاس زمانی روزانه نیز به ترتیب (16/20، 31/36، 90/28، 39/2، 91/34 و 96/49) و مقیاس ماهانه (74/6، 53/9، 68/4، 59/0، 38/8 و 71/9 ) بود. بر اساس یافته‌های این مطالعه، با نظر گرفتن عملکرد فرآیند مدل‌سازی غیرخطی، مدل ANFIS برآورد تابش خورشیدی را نسبت به روش آنگستروم بهبود می‌بخشد.

کلیدواژه‌ها


عنوان مقاله [English]

Evaluation of Neuro-Fuzzy Inference Systems (ANFIS) performance in global solar radiation estimation

نویسندگان [English]

  • H. Ebrahimi 1
  • Z. Aghashariatmadary 2
  • S. Hejabi 3
  • A. Nazighameshlou 4
1 M. Sc. Student in Agricultural Meteorology, Department of Irrigation and Reclamation Engineering, University of Tehran, Karaj, Iran
2 Assistant Professor, Department of Irrigation and Reclamation Engineering, University of Tehran, Karaj, Iran
3 Assistant Professor, Department of Water, Faculty of Agriculture, Urmia University
4 Assistant Professor, Department of Irrigation and Reclamation Engineering, University of Tehran, Karaj, Iran
چکیده [English]

Solar radiation plays an important role in surface energy balance and agroclimatic studies. In order to estimate daily global solar irradiance, Adaptive Neuro-Fuzzy Inference System (ANFIS) was used and compared with extended Angstrom Prescott model using 11-years data (2007-2017) climatic data of 6 meteorological stations across Iran namely, Mashhad, Kerman, Shiraz, Yazd, Zanjan and Bandar Abbas. The daily weather data including sunshine duration(n), Relative humidity (RH%), Dew point temperature (Td), water vapor pressure, maximum/Minimum air temperature, mean air temperature, cloudiness and soil temperature were used as inputs of ANFIS model to estimate the daily solar radiation, as the output. Performance of two models was evaluated using t-student index. According to the results, ANFIS model did a better job in estimation of solar radiation comparing to Angstrom-Prescott model as it showed closer agreement with observed data. For evaluation of each model’s skill in estimating solar radiation at daily and monthly time scales, the statistical indices of RMSE, MBE, r, t were used .Finally, the obtained values of t-test statistic of radiation estimation using ANFIS model, in Kerman, Mashhad, Shiraz, Zanjan, Yazd and Bandar Abbas station in daily time scale were 4.78, 7.52, 3.25, 2.20, 93.3, and 0.26, respectively. The corresponding monthly values were 0, 0.29, 0.59, 0.44, 0.21, and 0.20 respectively. Similarly, the t-index of radiation estimations by Angstrom model compared to observations for daily time scale were also 20.16, 36.31, 28.90, 2.39, 34.91 and 49.96, respectively. For monthly series, t values were 6.74, 9.53, 4.68, 0.59, 8.38 and 9.71, respectively. According to the findings of this study, the nonlinear modeling process of ANFIS model improves the estimation of solar radiation compared to the Angstrom-Prescott method.

کلیدواژه‌ها [English]

  • Radiation
  • ANN
  • nonlinear modeling
  • Angstrom-Prescott Model
Aghashariatmadari, Z., Khalili, A., Irannejad, P., Liyaghat, A. 2011. Calibration Annual Changes of the Coefficients of the Angstrom-Prescott (A-P) Equation (a and b) in Different Time Scale (Case study: Tehran North Station (Aghdasieh). Journal of Water and Soil, 25(4): 5-911. (in Farsi)
Almorox, J. Y., Hontoria, C. 2004. Global solar radiation estimation using sunshine duration in Spain. Energy Conversion and Management, 45(9-10): 1529-1535.
Angstrom, A. 1924. Solar and terrestrial radiation. Report to the international commission for solar research on actinometric investigations of solar and atmospheric radiation. Quarterly Journal of the Royal Meteorological Society, 50(210): 121-126.
Daneshyar, M. (1978). Solar radiation statistics for Iran. Solar Energy; (United States), 21(4): 345-349.
Halabi, L., Mekhilef, S., Hossain, M. 2018. Performance evaluation of hybrid adaptive neuro-fuzzy inference system models for predicting monthly global solar radiation. Applied energy, 213: 247-261.
Haykin, K. 1994. Neural network, A comprehensive foundation. MacMillan Press.
Hooshangi, N., Alesheikh, A. 2015. Evaluation of fuzzy, neural and fuzzy-neural methods in estimating   solar   radiation   in   the   country.      Scientific Research Journal of Surveying Science and Technology, 4(3):187-200. (in Farsi)
Jang, J. S. R., Sun. C. T., Mizutani, E. 1997. Neuro-fuzzy and soft computing: a computational approach to learning and machine intelligence. Prentice-Hall, New Jersey.
Joorabian, M., Hooshmand, R, 2003, Fuzzy logic and neural networks (concepts and applications), Shahid Chamran University of Ahvaz, 300 pages. (In Farsi)
Joorabian, M., Zare, T., Ostvar, A. 2005. Artificial neural networks, Shahid Chamran University of Ahvaz, 716 pages. (In Farsi)
Mohammadi, K., Shamshirband, S., Tong, C. W., Alam, K. A., Petković, D. 2015. Potential of adaptive neuro-fuzzy system for prediction of daily global solar radiation by day of the year. Energy Conversion and Management, 93: 406-413.
Moradi, I. 2009. Quality control of global solar radiation using sunshine duration hours. Energy, 34(1): 1-6.
Muneer, T., Gueymard, C., Kambezidis H. 2004. Solar radiation and day light models. Burlington. Elsevier. 392 pages.
Piri, J., Ansari, H; Faridhosseini, A. 2013. Modeling of solar radiation by using experimental models and ANFIS. (Case study: Zahedan and Bojnoord stations). Journal of Iran Energy, 16(3): 37-58. (in Farsi)
Prescott, J. A. 1940. Transactions of the Royal Society of South Australia, 46: 114-118.
Quej, V. H., Almorox, J., Arnaldo, J. A., Saito, L. 2017. ANFIS, SVM and ANN soft-computing techniques to estimate daily global solar radiation in a warm sub-humid environment. Journal of Atmospheric and Solar-Terrestrial Physics, 155: 62-70.
Rivington, M., Matthews, K. B., Buchan, K. 2002. A Comparison of Methods for Providing Solar Radiation Data to Crop Models and Decision Support Systems.
Sabziparvar, A. A., Bayat Varkeshi, M. 2010. Evaluate the accuracy of artificial neural network and neuro fuzzy methods in simulated solar radiation. Iranian Journal of physics Research, 10(4): 347-357. (In Farsi)
Salisu, S. 2017.  New model for   solar   radiation estimation from measured air temperature and relative and humidity in Nigeria. Journal Publishing Practices and Standards (JPPS), 36(3): 917-922.
Thornton, P. E., Running, S. W. 1999. An improved algorithm for estimating incident daily solar radiation from measurements of temperature, humidity, and precipitation. Agricultural and Forest Meteorology, 93(4): 211-228.
Yorukoglu, M., Celik, A. N. 2006. A critical review on the estimation of daily global solar radiation from sunshine duration. Energy Conversion and Management, 47(15-16): 2441-2450.
Zou, L., Wang, L., Xia, L; Lin, A., Hu, B., Zhu, H. 2017. Prediction and comparison of solar radiation using improved empirical models and Adaptive Neuro-Fuzzy Inference Systems. Renewable Energy, 106: 343-353.