سامانه پشتیبانی خدمات اطلاعات

  اخبار و اعلانات

 آمار

تعداد نشریات163
تعداد شماره‌ها6,762
تعداد مقالات72,831
تعداد مشاهده مقاله131,697,505
تعداد دریافت فایل اصل مقاله103,453,720
سلطانی گردفرامرزی, سمیه, عسکری زاده, مژگان. (1403). کاربرد تئوری آنتروپی و تحلیل مؤلفه اصلی جهت تعیین متغیرهای ورودی تخمین تابش خورشیدی با الگوریتم‌های یادگیری ماشین. , 56(4), 73-87. doi: 10.22059/jphgr.2025.386916.1007858
سمیه سلطانی گردفرامرزی; مژگان عسکری زاده. "کاربرد تئوری آنتروپی و تحلیل مؤلفه اصلی جهت تعیین متغیرهای ورودی تخمین تابش خورشیدی با الگوریتم‌های یادگیری ماشین". , 56, 4, 1403, 73-87. doi: 10.22059/jphgr.2025.386916.1007858
سلطانی گردفرامرزی, سمیه, عسکری زاده, مژگان. (1403). 'کاربرد تئوری آنتروپی و تحلیل مؤلفه اصلی جهت تعیین متغیرهای ورودی تخمین تابش خورشیدی با الگوریتم‌های یادگیری ماشین', , 56(4), pp. 73-87. doi: 10.22059/jphgr.2025.386916.1007858
سلطانی گردفرامرزی, سمیه, عسکری زاده, مژگان. کاربرد تئوری آنتروپی و تحلیل مؤلفه اصلی جهت تعیین متغیرهای ورودی تخمین تابش خورشیدی با الگوریتم‌های یادگیری ماشین. , 1403; 56(4): 73-87. doi: 10.22059/jphgr.2025.386916.1007858

کاربرد تئوری آنتروپی و تحلیل مؤلفه اصلی جهت تعیین متغیرهای ورودی تخمین تابش خورشیدی با الگوریتم‌های یادگیری ماشین

پژوهش های جغرافیای طبیعی
دوره 56، شماره 4، دی 1403، صفحه 73-87    اصل مقاله (1.81 M)
نوع مقاله: مقاله کامل
شناسه دیجیتال (DOI): 10.22059/jphgr.2025.386916.1007858
نویسندگان
سمیه سلطانی گردفرامرزی* 1؛ مژگان عسکری زاده2
1گروه علوم و مهندسی آب، دانشکده کشاورزی و منابع طبیعی، دانشگاه اردکان، اردکان، ایران
2گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه اردکان، اردکان، ایران
چکیده
تابش خورشیدی به‌عنوان یکی از متغیرهای مهم در مدل‌های بیلان انرژی و شبیه‌سازی رشد گیاهان اهمیت زیادی دارد. در این پژوهش عملکرد روش تحلیل مؤلفه اصلی (PCA) و تئوری آنتروپی شانون (ENT) برای تعیین ورودی مدل‌های یادگیری ماشین جنگل تصادفی (RF)، رگرسیون خطی (LR)، ماشین بردار پشتیبان (SVR)، نزدیک‌ترین همسایه (KNN)، درخت تصمیم (DT) و (XGB) XGBoost در برآورد تابش خورشیدی در ایستگاه سینوپتیک یزد در حد فاصل سال‌های 2006 تا 2023 موردبررسی قرار گرفت. متغیرهای میانگین دما، دمای کمینه، دمای بیشینه، ساعات آفتابی، رطوبت نسبی و تابش خورشیدی به‌صورت روزانه از سازمان هواشناسی دریافت و متغیرهای تابش فرازمینی، فاصله نسبی زمین تا خورشید، زاویه میل خورشیدی و حداکثر ساعات آفتابی با روابط موجود محاسبه و به‌عنوان ورودی روش‌های پیش‌پردازش انتخاب شدند. نتایج الگوریتم‌های یادگیری ماشین حاکی از دقت قابل‌قبول آن‌ها در تخمین تابش خورشیدی بود. با کاهش بعد داده‌های ورودی به الگوریتم‌های یادگیری ماشین، نتایج نشان داد که روش تحلیل مؤلفه اصلی دقت مدل را افزایش داد و در بین مدل‌های به‌کاررفته، مدل PCA-SVR با ضریب تبیین 923/0 و دقت 84/92% بهترین نتیجه را در ایستگاه یزد نشان داد. لازم به ذکر است که روش تئوری آنتروپی شانون نتوانست نتایج مدل‌سازی را نسبت به روش بدون پیش‌پردازش اولیه بهبود بخشد. این تحلیل نشان می‌دهد که استفاده از تکنیک‌های کاهش ابعاد و انتخاب مدل‌های مناسب می‌تواند منجر به‌دقت بیشتر و پیچیدگی محاسباتی کمتر در مسائل پیش‌بینی شود، هرچند در انتخاب مدل پیش‌پردازش داده‌های اولیه باید دقت کافی داشت.
کلیدواژه‌ها
مشخصات هندسی؛ یادگیری ماشین؛ زاویه میل خورشیدی؛ تابش؛ یزد
مراجع
  1. سلطانی گردفرامرزی، سمیه؛ تقی زاده، روح‌الله؛ قاسمی، محسن. (1394). برآورد ضریب پخشیدگی طولی رودخانه با استفاده از انواع روش‌های داده‌کاوی. تحقیقات آب‌وخاک ایران، 46(3)، 385-394. doi: 10.22059/ijswr.2015.56728
  2. سلطانی گردفرامرزی، سمیه. (1402). پیش‌بینی تابش خورشیدی در ایستگاه یزد با به‌کارگیری مدل رگرسیونی مبتنی بر مؤلفه‌های اصلی (PCR). هواشناسی کشاورزی، 11(1)، 6-16. doi: 10.22125/agmj.2023.352446.1140
  3. سلطانی گردفرامرزی، سمیه و مؤمنی، هاجر. (1402). کاربست الگوریتم‌های یادگیری ماشین برای تخمین تابش خورشیدی (موردمطالعه: اقلیم خشک و نیمه‌خشک). ژئوفیزیک ایران، 17(4)، 29-35. doi: 10.30499/ijg.2023.393259.1512
  4. شیخ‌الاسلامی، نونا؛ قهرمان، بیژن؛ مساعدی، ابوالفضل؛ داوری، کامران و مهاجرپور، مهدی. (1393). پیش‌بینی تبخیر و تعرق گیاه مرجع (ETO)  با استفاده از روش آنالیز مؤلفه‌های اصلی (PCA) و توسعه مدل رگرسیونی خطی چندگانه (MLR-PCA) (مطالعه موردی: ایستگاه مشهد). نشریه آب‌وخاک، 28(2)، 420-429. doi: 10.22067/jsw.v0i0.25711
  5. صفاری پور، محمدحسن و مهرابیان، مظفرعلی. (1388). پیش‌بینی مقدار کل تابش خورشیدی در کرمان با استفاده از مشخصات هندسی، نجومی، جغرافیایی و هواشناسی. شریف، 51، 3-13.
  6. محمدی، بابک و امامقلی زاده، صمد. (1395). استفاده از تحلیل مؤلفه اصلی برای تعیین ورودی‌های مؤثر بر تخمین بارش به کمک شبکه عصبی مصنوعی و ماشین بردار پشتیبان، سامانه‌های سطوح آبگیر باران، 4(13)، 67-75. doi:20.1001.1.24235970.1395.4.4.6.9
  7. عوض پور، صدیقه؛ بختیاری، بابک و قادری، کوروش. (1398). بررسی کارایی روش‌های شبکه عصبی و رگرسیون چند متغیره در برآورد تابش کل خورشیدی در چند ایستگاه معرف اقلیم‌های خشک و نیمه‌خشک. تحقیقات آب‌وخاک ایران، 50(139)، 1855-1869. doi:20.1001.1.24234931.1399.7.2.3.2
  8. محمدی، بابک؛ آقاشریعتمداری، زهرا و مؤذن‌زاده، روزبه. (1398). تعیین متغیرهای ورودی برای تخمین تابش خورشیدی با استفاده از تئوری آنتروپی و تحلیل مؤلفه اصلی. تحقیقات آب‌وخاک ایران، 50(3)، 626-639. doi: 10.22059/ijswr.2018.257150.667906
  9. Abdelhafidi, N., Bachari, N.E.I., & Abdelhafidi, Z. (2021). Estimation of solar radiation using stepwise multiple linear regression with principal component analysis in Algeria. Meteorology and Atmospheric Physics, 133(2), 205-216. http://doi: 10.1007/s00703-020-00739-0.
  10. Avazpour, S., Bakhtiari, B., & Qaderi, K. (2019). Performance evaluation of Neural Network and Multivariate Regression Methods for Estimation of Total Solar Radiation at several stations in Arid and Semi-Arid Climates. Iranian Journal of Soil and Water Research, 50(8), 1855-1869. http://doi: 20.1001.1.24234931.1399.7.2.3.2. [In Persian]
  11. Boroughani, M., Soltani, S., Ghezelseflu, N., & Pazhouhan, I. (2022). A comparative assessment between artificial neural network, neuro-fuzzy, and support vector machine models in splash erosion modelling under simulation circumstances. Folia Oecologica, 49(1), 23-34. http://doi:10.2478/foecol-2022-0003.
  12. Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5-32. DOI: 10.1023/A:1010933404324.
  13. Cover, T., & Hart, P. (1967). Nearest neighbor pattern classification. IEEE Transactions on Information Theory, 13(1), 21-27. http://doi: 10.1109/TIT.1967.1053964.
  14. Demir, V., & Citakoglu, H. (2023). Forecasting of solar radiation using different machine learning approaches. Neural Computing and Applications, 35(1), 887-906. http://doi: 10.1007/s00521-022-07831-z.
  15. Djeldjeli, Y., Taouaf, L., Alqahtani, S., Mokaddem, A., Alshammari, B.M., Menni, Y., & Kolsi, L. (2024). Enhancing solar power forecasting with machine learning using principal component analysis and diverse statistical indicators. Case Studies in Thermal Engineering, 61, 104924. http://doi: 10.1016/j.csite.2024.104924.
  16. Draper, N. R., & Smith, H. (1998). Applied regression analysis. Wiley-Interscience.
  17. Drucker, H., Burges, C. J. C., Kaufman, L., Smola, A., & Vapnik, V. (1997). Support vector regression machines. Advances in Neural Information Processing Systems, 9, 155-161. https://www.researchgate.net/publication/309185766 Support vector regression machines.
  18. Duffie, J.A., & Beckman, W.A. (1991). Solar Engineering of Thermal Processes. Wiley, New York.
  19. Hunt, L.A., Kuchar, L., & Swanton, C.J. (1998). Estimation of solar radiation for use in crop modeling. Agric. Meteorol. 91, 293–300. http://doi: 10.1016/S0168-1923(98)00085-4.
  20. Liu, C.W., Lin K.H., & Kuo Y.M. (2003). Application of factor analysis in the assessment of groundwater quality in a blackfoot disease area in Taiwan. Science of the Total Environment, 313, 77-89. http://doi: 10.1016/S0048-9697(02)00683-6.
  21. Meenal, R., & Selvakumar, A.I. (2018). Assessment of SVM, empirical and ANN based solar radiation prediction models with most influencing input parameters. Renewable Energy, 121, 324-343. http://doi: 10.1016/j.renene.2017.12.005.
  22. Mohammadi, B., Aghashariatmadari, Z., & moazenzadeh, R. (2019). Determination of Input Variables to Estimate Solar Radiation Using Entropy Theory and Principal Component Analysis. Iranian Journal of Soil and Water Research, 50(3), 625-639. http://doi: 10.22059/ijswr.2018.257150.667906. [In Persian]
  23. Mohammadi, B., & Emamgholizadeh, S. (2017). Using principal component analysis to inputs the effective rainfall estimates based on entries to help support vector machine and artificial neural network. Journal of Rainwater Catchment Systems; 4 (4), 67-75. http://doi:20.1001.1.24235970.1395.4.4.6.9. [In Persian]
  24. Olalekan, S., Abdullahi, M. I., & Olabisi, A. (2018). Modeling of Solar Radiation Using Artificial Neural Network for Renewable Energy Application. Journal of Applied Physics, 10(2), 6-12. http://dx.doi.org/10.9790/4861-1002030612.
  25. Quinlan, J. R. (1986). Induction of decision trees. Machine Learning, 1(1), 81-106. http://doi: 10.1007/BF00116251.
  26. Radosevic, N., Duckham, M., Liu, G.J., & Sun, Q. (2020). Solar radiation modeling with KNIME and Solar Analyst: Increasing environmental model reproducibility using scientific workflows. Environmental Modelling & Software, 132, 104780. http://doi: 10.1016/j.envsoft.2020.104780.
  27. Rahimikhoob, A. (2010). Estimating global solar radiation using artificial neural network and air temperature data in a semi-arid environment. Renew Energy, 35, 2131-2135. http://doi: 10.1016/j.renene.2010.01.013.
  28. Sabziparvar, A.A., & Shetaee, H. (2007). Estimation of global solar radiation in arid and semi-arid climates of East and West Iran, Energy, 32, 649–655. http://doi: 10.1016/j.energy.2006.06.006.
  29. Saffaripour, M., & Mehrabian, M. (2009). Predicting the total amount of solar radiation in Kerman using geometric, astronomical, geographical and meteorological characteristics. Sharif, 51 (1), 3-13 [In Persian]
  30. Saraswat, R., Jhanwar, D., & Gupta, M. (2024). Enhanced Solar Power Forecasting Using XG Boost and PCA-Based Sky Image Analysis. Traitement du Signal, 41(1). http://doi: 10.18280/ts.410104.
  31. Shannon, C.E. (1948). A mathematical theory of communication. The Bell System Technical Journal, 27(379–423), 623–656. http://doi: 10.1002/j.1538-7305.1948.tb01338.x.
  32. Sheikholeslami, N., Ghahraman, B., Mosaedi, A., Davari, K., & Mohajeri, M. (2014). Estimating Reference Evapotranspiration by Using Principal Component Analysis (PCA) and The Development of a Regression Model (MLR-PCA) (Case Study: Mashhad Station). Water and Soil, 28(2), 420-429. http://doi: 10.22067/jsw.v0i0.25711. [In Persian]
  33. Soltani-Gerdefaramarzi, S., Taghizadeh-Mehrjerdi, R., & Ghasemi, M. (2015). Prediction of Longitudinal Dispersion Coefficient in Natural Streams using Soft Computing Techniques. Iranian Journal of Soil and Water Research, 46(3), 385-394. http://doi: 10.22059/ijswr.2015.56728. [In Persian]
  34. Soltani-Gerdefaramarzi, S., & Momeni, H. (2023). Application of machine learning algorithms to estimate solar radiation (case study: arid and semi-arid climate). Iranian Journal of Geophysics, 17(4), 25-39. http://doi:10.30499/ijg.2023.393259.1512. [In Persian]
  35. Soltani-Gerdefaramarzi, S. (2023). Prediction of solar radiation intensity in Yazd station by using regression model based on principal components (PCR). Journal of Agricultural Meteorology, 11(1), 6-16. http://doi:10.22125/agmj.2023.352446.1140. [In Persian]
  36. Xu, H. Xu, C. Y, Sælthun, N. R. Xu, Y. Zhou, B., & Chen, H. (2015). Entropy theory based multicriteria resampling of rain gauge networks for hydrological modelling – A case study of humid area in southern China. Journal of Hydrology, 525, 138-151. http://doi: 10.1016/j.jhydrol.2015.03.034.
  37. Yadav, A. K., & Chandel, S. S. (2015). Solar energy potential assessment of western Himalayan Indian state of Himachal Pradesh using J48 algorithm of WEKA in ANN based prediction model. Renewable Energy, 75, 675-693. http://doi:10.1016/j.renene.2014.10.045.
آمار
تعداد مشاهده مقاله: 85
تعداد دریافت فایل اصل مقاله: 42





سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب