ارزیابی قابلیت مدل برنامه‌ریزی بیان ژن در شبیه‌سازی تابش خورشیدی رسیده به زمین (مطالعه موردی: اهواز)

نوع مقاله: مقاله پژوهشی

نویسندگان

1 گروه فنی کشاورزی، پردیس ابوریحان دانشگاه تهران، پاکدشت، تهران، ایران

2 گروه مهندسی آبیاری و زهکشی، پردیس ابوریحان دانشگاه تهران، پاکدشت، تهران، ایران

چکیده

تعیین میزان تابش خورشیدی رسیده به زمین در هر محل، برای بسیاری از مسایل کاربردی مانند استفاده از انرژی خورشیدی، دارای اهمیت فراوانی است. ولی در بسیاری از ایستگاه‌ها به دلیل هزینه زیاد نصب و نگهداری تجهیزات اندازه‌گیری تابش خورشیدی، اندازه‌گیری مستقیم این پارامتر به‌طور محدود انجام می‌شود. بنابراین در دهه‌های گذشته معادلات تجربی مختلفی برای تخمین این پارامتر توسعه یافته‌اند که در صورت استفاده برای مناطق جدید، نیازمند واسنجی می‌باشند. در این مطالعه به‌منظور بررسی عملکرد مدل برنامه‌ریزی بیان ژن (GEP) در شبیه‌سازی تابش خورشیدی رسیده به زمین از اطلاعات روزانه هواشناسی ایستگاه سینوپتیک اهواز استفاده گردید. به این منظور پارامتر روز از سال و داده‌های روزانه حداقل، حداکثر و میانگین دما، رطوبت نسبی، ساعات آفتابی و تابش برون‌زمینی سه سال متوالی محدوده سال‌های 2006 تا 2008 شهر اهواز به عنوان ورودی مدل GEP انتخاب گردید. همچنین کارایی مدل GEP در مقایسه با دو روش تجربی آنگستروم و هارگریوز- سامانی مورد مطالعه قرار گرفت. نتایج نشان داد که مدل GEP در تخمین تابش خورشیدی رسیده به زمین، به‌طورکل دارای عملکرد بهتری نسبت به معادله‌های تجربی می‌باشد و از بین معادله‌های تجربی مورد استفاده در این تحقیق، معادله آنگستروم دارای دقت بهتری نسبت به مدل هارگریوز- سامانی بود.

کلیدواژه‌ها

موضوعات


[1] C.Voyant, G. Notton, S. Kalogirou, M.L. Nivet, C. Paoli, F. Motte, & F. Alexis, (2017). Machine learning methods for solar radiation forecasting: A review. Renewable Energy, 105, 569- 582.

[2] J. Zhang, Li .Zhao, S. Deng, W. Xu, & Y. Zhang, (2017). A critical review of the models used to estimate solar radiation. Renewable and Sustainable Energy Reviews,70, 314-329.

[3] K.D.V. Siva Krishna Rao, M. Premalatha, & C. Naveen, (2018). Method and strategy for predicting daily global solar radiation using one and two input variables for Indian stations. Journal of Renewable and Sustainable Energy, 10(1), 013701.

[4] M.G. Iziomon, & H. Mayer (2002). Assessment of some global solar radiation parameterizations. Journal of Atmospheric and Solar-Terrestrial Physics, 64, 1631- 1643.

[5] M. Yorukoglu, & A.N. Celik, (2006). A critical review on the estimation of daily global solar radiation from sunshine duration. Energy Conversion and Management, 47, 2441-2450.

[6] J. Hofierka, & M. Suri, (2002). The solar radiation model for Open source GIS: Implementation and applications. Proceedings of the Open source GIS-GRASS user’s conference.

[7] E. Louis, & E. Sunday, (2003). Relationship between Global solar radiation & sunshine duration for Onne, Nigeria, Turkish Journal of Physics, 27, 161-167.

[8] K.L. Bristow, & G.S. Campbell, (2003). On the relationship between incoming solar radiation and daily maximum and minimum temperature, Agricultural and Forest Meteorology, 31(2), 156- 166.

[9] M. Rivington, G. Bellocchi, K.B. Matthews, K. Buchan, (2005). Evaluation of three model estimations of solar radiation at 24 UK stations. Agricultural and Forest Meteorology, 132(3&4), 228-243.

[10] E.G. Evseev, & A.I. Kudish, (2009). An assessment of a revised Olmo et al. model to predict solar global radiation on a tilted surface at Beer Sheva, Israel. Renewable Energy, 34, 112-119.

[11] H.O. Menges, C. Ertekin, & M.H. Sonmete, (2006). Evaluation of global solar radiation models for Konya, Turkey. Energy Conversion and Management, 47, 3149-3173.

[12] W. Tang, K. Yang, J. He, & J. Qin, (2010). Quality control and estimation of global solar radiation in China. Solar Energy, 84, 466-475.

[13] A. Angstrom, (1924). Solar and terrestrial radiation. Quarterly Journal of the Royal Meteorological Society, 50(210), 121-126.

[14] K. Bakirci, (2009). Models of solar radiation with hours of bright sunshine: a review. Renewable and Sustainable Energy Reviews 13(9), 2580-2588.

[15] A. Alizadeh, & N. Khalili, (2009). Angstrom model and develop a regression model to estimate the solar radiation in Mashhad. Journal of Agricultural industry Soil and Water, 1, 229- 238. (In Farsi).

[16] M.G. Iziomon, & H. Mayer, (2001). Performance of solar radiation models- a case study. Agricultural and Forest Meteorology, 110(1), 1-11.

[17] M. Pohlert, (2004). Use of empirical global radiation models for maize growth simulation. Agricultural and Forest Meteorology, 126, 47-58.

[18] A. Rahimi khoob, S.M.R. Behbahani, & M. Jamshidi, (2009). Evaluation of experimental methods and neural network models for estimating solar radiation reaching the ground in the south east of Tehran case study. Journal of Science and Technology of Agriculture and Natural Resources (Soil and Water Science), 50, 53-62. (In Farsi).

[19] A. K. Yadav & S.S. Chandel (2014). Solar radiation prediction using Artificial Neural Network techniques: a review. Renewable and Sustainable Energy Reviews, 33, 772-781.

  [20] R. Kumar, R.K. Aggarwal, & J.D. Sharma, (2015). Comparison of regression and artificial neural network models for estimation of global solar radiations. Renewable and Sustainable Energy Reviews, 52, 1294-1299.

[21] S. Rahman, & M. Mohandes, (2008). Artificial neural network estimation of global solar radiation using air temperature and relative humidity. Energy Policy, 36, 571-576.

[22] K. Bayat, & M. Mirlatifi, (2009). Estimation of daily solar radiation using regression models and artificial neural network. Journal of Agricultural Sciences and Natural Resources, 16(3), 270-279. (In Farsi).

[23] S.S. Sharifi, V. Rezaverdinejad, & V. Nourani, (2016). Estimation of daily global solar radiation using wavelet regression, ANN, GEP and empirical models: A comparative study of selected temperature-based approaches. Journal of Atmospheric and Solar-Terrestrial Physics, 149, 131-145.

[24] H. Motamed Shariati, H. Mobli, M. Sharifi, & H. Ahmadi, (2016). Estimating solar radiation with ordinary meteorological data in Mashhad. Iranian Journal of Biosystem Engineering, 47(1), 185-196. (In Farsi)

[25] S. Mehdizadeh, J. Behmanesh, & K. Khalili, (2016). Comparison of artificial intelligence methods and empirical equations to estimate daily solar radiation. Journal of Atmospheric and Solar-Terrestrial Physics, 146, 215-227.

[26] S. Samadianfard, A. Majnooni-Haris, S.N. Qasem, O. Kisi, Shamshirband, S., & K.W. Chau, (2019). Daily global solar radiation modeling using data driven technique and empirical equations in a semi-arid climate. Engineering Application of Computational Fluid Mechanics, 13(1), 142-157.

[27] G.H. Hargreaves, & Z.A. Samani, (1982). Estimating potential evapotranspiration. Journal of the Irrigation and Drainage,108(3), 225-230.

[28] M. Vakili, S.R. Sabbagh-Yazdi, S. Khosrojerdi, K. Kalhor, (2017) Evaluating the effect of particulate matter pollution on estimation of daily global solar radiation using artificial neural network modeling based on meteorological data. Journal of Cleaner Production 2017; 141:1275-85.

[29] A. Khosravi, R.R. Nunes, M.H.E. Asad, Machado, L. (2018). Comparison of artificial intelligence methods in estimation of daily global solar radiation. Journal of Cleaner Production 194 (2018) 342-358.

[30] G.H. Hargreaves, & Z.A. Samani, (1982). Estimating potential evapotranspiration. Journal of the Irrigation and Drainage,108(3), 225-230.

[31] J.L. De Souza, R.M. Nicacio, & M.A. Lima Moura, (2005). Global solar radiation measurements in Maceio, Brazil. Renewable Energy, 30(8), 1203-1220.

[32] C. Ferreira, (2001). Gene expression programming: a new adaptive algorithm for solving problems. Complex System, 13(2), 87-129.

[33] J. Shiri, O. Kisi, G. Landeras, J.J. Lopez, A.H. Nazemi, & C.P.M. L. Stuyt, (2012). Daily reference evapotranspiration modeling by using genetic programming approach in the Basque Country (northern Spain). Journal of Hydrology, 414, 302-316.

[34] J. Shiri, A.A. Sadraddini, A.H. Nazemi, O. Kisi, G. Landeras, A. Fakheri fard, & P. Marti, (2014). Generalizability of Gene Expression Programming-based approaches for estimating daily reference evapotranspiration in coastal stations of Iran. Journal of Hydrology, 508, 1-11.

[35] A. Guven, A. Aytek, M.I. Yuce, & H. Aksoy, (2008). Genetic programming-based empirical model for daily reference evapotranspiration estimation. Clean- Soil, Air, Water, 36(10&11), 905-912.