Geofizika, Vol. 33 No. 1, 2016.
Professional paper
Procjena prizemnog neto Sunčevog zračenja iz podataka s tornja za mjerenje turbuletnih tokova iznad tropske šume mangrova u Sundarbanu, Zapadni Bengal
D. V. Mahalakshmi
orcid.org/0000-0002-0324-0291
; National Remote Sensing Centre (NRSC), Balanagar, Hyderabad, India
Paul Arati
; Regional Remote Sensing Centre-East (NRSC), ISRO, New Town, Kolkata, India
D. Dutta
; Regional Remote Sensing Centre-East (NRSC), ISRO, New Town, Kolkata, India
M. M. Ali
; lorida State University, Center for Ocean-Atmospheric Prediction Studies, USA
V. K. Dadhwal
; National Remote Sensing Centre (NRSC), Balanagar, Hyderabad, India
R. Suraj Reddy
; National Remote Sensing Centre (NRSC), Balanagar, Hyderabad, India
C. S. Jha
; National Remote Sensing Centre (NRSC), Balanagar, Hyderabad, India
J. R. Sharma
; National Remote Sensing Centre (NRSC), Balanagar, Hyderabad, India
Abstract
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.
Keywords
neto Sunčevo zračenje pri tlu; umjetna neuronska mreža (ANN); linearni model (LM); toranj za mjerenje turbulentnih tokova
Hrčak ID:
162931
URI
Publication date:
30.6.2016.
Visits: 1.628 *