تابش خورشیدی یکی از مهم ترین پارامترهای ورودی در مدل های هیدرولوژیکی و رشد گیاهان می باشد، ولی در بسیاری از ایستگاه ها به دلیل هزینه زیاد تجهیزات اندازه گیری تابش خورشیدی و هم چنین هزینه نگهداری آن ها، اندازه گیری مستقیم این پارامتر به طور محدود انجام می شود. طی دهه های گذشته جهت تخمین تابش خورشیدی، معادلات تجربی و مدل های غیرخطی مختلفی بر اساس پارامترهای هواشناسی ارائه شده است. در این تحقیق جهت تخمین تابش خورشیدی از آمار روزانه 5 پارامتر هواشناسی شامل دمای حداقل، دمای حداکثر، رطوبت نسبی، ساعات آفتابی و تابش برون زمینی در ایستگاه سینوپتیک کرمانشاه طی سال های 1992 الی 2001 استفاده شد. ابتدا با بررسی صحت و کنترل کیفی داده های تابش خورشیدی، داده های صحیح طی سه مرحله آزمون استخراج گردید. سپس با استفاده از تکنیک پیش پردازش آزمون گاما از میان 31 ترکیب مختلف از پارامترهای ورودی، بهترین ترکیب شامل همه پارامترهای ورودی برای مدل های غیرخطی رگرسیون محلی(LLR) ، شبکه عصبی مصنوعی (ANN) با دو تابع آموزشی گرادیان ادغامی (SCG) و لونبرگ مارکوارت (LM) تعیین شد. آن گاه با استفاده از آزمون M تست تعداد 1300 الگو برای آموزش مدل های LLR، ANN و واسنجی معادلات تجربی نیز مشخص گردید و از 885 الگوی باقیمانده برای ارزیابی مدل های ایجاد شده، استفاده شد. در ادامه مدل های LLR، ANN (LM)، ANN (SCG) مبتنی بر آزمون گاما و معادلات تجربی واسنجی شده در دوره آزمون، با معیارهای مختلف آماری (ضریب تبیین (R2)، ریشه میانگین مربعات خطا (RMSE) و میانگین قدرمطلق درصد خطا (MAPE)) با هم مقایسه شدند. نتایج نشان داد که با استفاده از معادلات واسنجی شده مبتنی بر ساعات آفتابی می توان با دقت نسبتاً بالایی مقادیر Rs روزانه را تخمین زد. علاوه بر این، مدل های غیرخطی ANN (LM)، ANN (SCG) و LLR نسبت به معادلات تجربی واسنجی شده دارای مقدار خطای کمتری هستند. ضمن آن که مدل ANN (LM) با ضریب تبیین 9599/0 روی خط (1:1) و مقادیر RMSE و MAPE برابر با 4213/1 مگاژول بر متر مربع در روز و 7616/6 درصد دارای بیشترین دقت می باشد.

کلمات کلیدی