search
for
 About Bioline  All Journals  Testimonials  Membership  News


Chilean Journal of Agricultural Research
Instituto de Investigaciones Agropecuarias, INIA
ISSN: 0718-5820
EISSN: 0718-5820
Vol. 70, No. 3, 2010, pp. 428-435
Bioline Code: cj10047
Full paper language: English
Document type: Research Article
Document available free of charge

Chilean Journal of Agricultural Research, Vol. 70, No. 3, 2010, pp. 428-435

 es Comparación de regresión y modelos de redes neuronales para estimar la radiación solar.
Bocco, Mónica; Willington, Enrique & Arias, Mónica

Resumen

La radiación solar incidente en el suelo es una variable importante usada en aplicaciones agronómicas, además es relevante en hidrología, meteorología y física del suelo, entre otros. Para estimarla se han desarrollado modelos empíricos que utilizan distintos parámetros meteorológicos y, recientemente, modelos de pronóstico y predicción basados en técnicas de inteligencia artificial tales como redes neuronales. El objetivo de este trabajo fue desarrollar modelos lineales y de redes neuronales, del tipo perceptrón multicapa, para estimar la radiación solar global diaria y comparar la eficiencia de los mismos en su aplicación para una región de la Provincia de Salta, Argentina. Se utilizaron datos de heliofanía relativa, temperaturas máxima y mínima, precipitación, precipitación binaria y radiación solar astronómica provistos por la Estación Experimental Salta, Instituto Nacional de Tecnología Agropecuaria (INTA), Argentina, correspondientes al período 1996-2002. Tanto para los modelos de redes neuronales como para las regresiones lineales se consideraron tres alternativas de combinaciones de los parámetros meteorológicos, obteniéndose buenos resultados con ambas metodologías de predicción, con valores de la raíz del error cuadrático medio variando desde 1.99 a 1.66 MJ m-2 d-1 y coeficientes de correlación de 0.88 a 0.92. Se concluye que ambos, los modelos de redes neuronales y las regresiones lineales, pueden ser usados para predecir en forma adecuada la radiación solar global diaria; si bien las redes neuronales produjeron mejores resultados.

Palabras-clave
modelos, predicción, regresiones lineales, perceptrón multicapa.

 
 en Comparison of regression and neural networks models to estimate solar radiation
Bocco, Mónica; Willington, Enrique & Arias, Mónica

Abstract

The incident solar radiation on soil is an important variable used in agricultural applications; it is also relevant in hydrology, meteorology and soil physics, among others. To estimate this variable, empirical models have been developed using several parameters and, recently, prognostic and prediction models based on artificial intelligence techniques such as neural networks. The aim of this work was to develop linear models and neural networks, multilayer perceptron, to estimate daily global solar radiation and compare their efficiency in its application to a region of the Province of Salta, Argentina. Relative sunshine duration, maximum and minimum temperature, rainfall, binary rainfall and extraterrestrial solar radiation data for the period 1996-2002, were used. All data were supplied by Experimental Station Salta, Instituto Nacional de Tecnología Agropecuaria (INTA), Argentina. For both, neural networks models and linear regressions, three alternative combinations of meteorological parameters were considered. Good results with both prediction methods were obtained, with root mean square error (RMSE) values between 1.99 and 1.66 MJ m-2 d-1 for linear regressions and neural networks, and coefficients of correlation (r2 ) between 0.88 and 0.92, respectively. Even though neural networks and linear regression models can be used to predict the daily global solar radiation appropriately, neural networks produced better estimates.

Keywords
modeling, prediction, linear regression, multilayer perceptron

 
© Copyright 2010 Chilean Journal of Agricultural Research.
Alternative site location: http://www.inia.cl

Home Faq Resources Email Bioline
© Bioline International, 1989 - 2024, Site last up-dated on 01-Sep-2022.
Site created and maintained by the Reference Center on Environmental Information, CRIA, Brazil
System hosted by the Google Cloud Platform, GCP, Brazil