Procjena prizemnog neto Sunčevog zračenja iz podataka s tornja za mjerenje turbuletnih tokova iznad tropske šume mangrova u Sundarbanu, Zapadni Bengal

Autor: D. V. Mahalakshmi, Paul Arati, D. Dutta, M. M. Ali, V. K. Dadhwal, R. Suraj Reddy, C. S. Jha, J. R. Sharma
Jazyk: angličtina
Rok vydání: 2016
Předmět:
Zdroj: Geofizika
Volume 33
Issue 1
ISSN: 1846-6346
0352-3659
Popis: In this study, net surface radiation (Rn) was estimated using artificial neural network (ANN) and Linear Model (LM). Then, estimated Rn with both the models (ANN and LM) were compared with measured Rn from eddy covariance (EC) flux tower. The routinely measured meteorological variables namely air temperature, relative humidity and wind velocity were used as input to the ANN and global solar radiation as input to the LM. All the input data are from the EC flux tower. Sensitivity analysis of ANN with all the meteorological variables is carried out by excluding one by one meteorological variable. The validation results demonstrated that, ANN and LM estimated Rn values were in good agreement with the measured values, with root mean square error (RMSE) varying between 21.63 W/m2 and 34.94 W/m2, mean absolute error (MAE) between 17.93 W/m2 and 22.28 W/m2 and coefficient of residual mass (CRM) between –0.007 and –0.04 respectively. Further we have computed modelling efficiency (0.97 for ANN and 0.99 for LM) and coefficient of determination (R2 = 0.97 for ANN and 0.99 for LM) for both the models. Even though both the models could predict Rn successfully, ANN was better in terms of minimum number of routinely measured meteorological variables as input. The results of the ANN sensitivity analysis indicated that air temperature is the more important parameter followed by relative humidity, wind speed and wind direction.
U ovom je istraživanju pomoću umjetnih neuronskih mreža (ANN) i linearnog modela (LM) procijenjeno prizemno neto Sunčevo zračenje (Rn). Potom su tako procjenjeni Rn iz oba modela (ANN i LM) uspoređeni s onima izmjerenim na tornju za mjerenje kovarijance turbuluentnih tokova (EC). Kao ulazni podaci u ANN korišteni su rutinski mjerene meteorološke varijable (temperatura zraka, relativna vlaga i brzina vjetra), a za LM globalno Sunčevo zračenje, koji su dobiveni na meteorološkom tornju za mjerenje turbulentnih tokova. Uslijedila je analiza osjetljivosti ANN s uključenim svim meteorološkim varijablama te su testirani ANN iz kojih su isključeni jedna po jedna meteorološka varijabla. Rezultati validacije pokazuju da se Rn procjenjeni pomoću ANN i LM dobro slažu s izmjerenim vrijednostima, pri čemu korijen srednje kvadratne pogreške (RMSE) varira između 21,63 W/m2 i 34,94 W/m2, srednja apsolutna pogreška (MAE) između 17,93 W/m2 i 22,28 W/m2, a koeficijent preostale mase (CRM) između –0,007 i –0,04 respektivno. Nadalje smo izračunali učinkovitost modeliranja (0,97 za ANN i 0,99 za LM) i koeficijente korelacije (R2 = 0,97 za ANN i 0,99 za LM). Iako su oba modela mogla uspješno predvidjeti Rn, ANN je bio bolji u smislu korištenja minimalnog broja rutinski izmjerenih meteoroloških varijabli kao ulaza. Rezultati analize osjetljivosti ANN pokazali su da je temperatura zraka najvažniji ulazni parametar, koju slijede relativna vlažnost te brzina i smjer vjetra.
Databáze: OpenAIRE
Externí odkaz: