کاربست الگوریتم های یادگیری ماشین برای تخمین تابش خورشیدی (مورد مطالعه: اقلیم خشک و نیمه خشک)

تابش خورشیدی، یکی از متغیرهای مهم در مدل های بیلان انرژی و شبیه سازی رشد گیاهان است. در پژوهش حاضر، عملکرد نه الگوریتم یادگیری ماشین نظارت شده شامل الگوریتم های رگرسیون خطی (LR)، رگرسیون خطی با اصلاح تابع زیان (LASSO)، رگرسیون خالص الاستیک (EN)، k نزدیک ترین همسایه (KNN)، درخت تصمیم گیری (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 سال های 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 به صورت 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 مدل های پیش بینی 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؛ به طوری که 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 به ترتیب 54/1 مگا ژول بر مترمربع بر روز، 92/4 و 870/0 در مرحله آموزش مدل ها نسبت به سایر مدل ها عملکرد بهتری در تخمین تابش خورشیدی داشته است که نشان دهنده توانایی این مدل برای کاربردهای خورشیدی و گرمایی توسط مهندسان و سایر محققین است.