
تعداد نشریات | 33 |
تعداد شمارهها | 775 |
تعداد مقالات | 7,506 |
تعداد مشاهده مقاله | 12,573,655 |
تعداد دریافت فایل اصل مقاله | 8,511,522 |
افزایش دقت پهنهبندی تابش خورشیدی با تلفیق دادهها در روش کوکریجینگ | ||
مجله جغرافیا و توسعه | ||
مقاله 10، دوره 20، شماره 68، مهر 1401، صفحه 215-237 اصل مقاله (1.21 M) | ||
نوع مقاله: مقاله پژوهشی | ||
شناسه دیجیتال (DOI): 10.22111/gdij10.22111.2022.7009 | ||
نویسندگان | ||
نوید هوشنگی* 1؛ سیدرضا غفاری رزین2؛ محمدسجاد کریمی3 | ||
1استادیار گروه مهندسی نقشهبرداری، دانشکده مهندسی علوم زمین، دانشگاه صنعتی اراک، اراک، ایران | ||
2استادیار گروه مهندسی نقشهبرداری، دانشکده مهندسی علوم زمین، دانشگاه صنعتی اراک، اراک، ایران | ||
3کارشناسی مهندسی عمران نقشهبرداری، دانشکده مهندسی علوم زمین دانشگاه صنعتی اراک، اراک، ایران | ||
چکیده | ||
محاسبۀ دقیق مقدار تابش خورشیدی در یک گسترۀ مکانی، نقش مؤثری در اقلیمشناسی و کشاورزی منطقه، برآورد میزان تبخیر و تعرق، مکانیابی نیروگاه خورشیدی و بهکارگیری سیستمهای فتوولتائیک دارد. دقیقترین روش برآورد تابش خورشیدی برداشت نقطهای در ایستگاههای زمینی با استفاده از دستگاههای آفتابنگار است که در آن اندازهگیریها با استفاده از روشهای درونیابی به یک سطح پیوسته تعمیم داده میشوند. هدف اصلی این تحقیق افزایش دقت پهنهبندی تابش خورشیدی در گسترۀ کشور ایران در قالب روش کوکریجینگ است. بدین منظور ابتدا میزان تابش خورشیدی با استفاده از مدل ارتفاع رقومی (DEM) و ابزار مکانیSolar Radiation در نرمافزار ArcGIS محاسبه شد. در ادامه ضریب همبستگی (R) بین مقادیر بهدستآمده از نرمافزار با مقادیر تابش خورشیدی اندازهگیریشده در ایستگاههای زمینی محاسبه شد. با توجه به 713/0R= بین این دو داده، با روش کوکریجینگ دادهها با هم تلفیق شده و سطح پیوستۀ تابش خورشیدی برای کل کشور محاسبه شد. نتایج نشان داد که محاسبۀ تابش خورشیدی با استفاده از ابزار Area Solar GIS در مقایسه با دادههای زمینی دقت کافی ندارند؛ ولی تلفیق این دو داده ضمن تأثیردادن توپوگرافی در محاسبۀ تابش خورشیدی، موجب افزایش دقت درونیابی به اندازۀ 11 درصد میشود؛ ازاینرو ممکن است مدلهای موجود برای برآورد تابش خورشیدی در مقایسه با دادههای زمینی در مقیاس کشوری دقت کافی را نداشته باشند، اما میتوان از آنها برای بهبود دقت درونیابی دادههای زمینی استفاده کرد. براساس نقشۀ نهایی اکثر مناطق کشور به غیر از مناطق شمالی و شمالغربی بالاتر از متوسط جهانی (w/m2340) تابش خورشیدی دریافت میکنند | ||
کلیدواژهها | ||
تابش خورشیدی؛ سیستم اطلاعات مکانی (GIS)؛ درونیابی مکانی؛ کوکریجینگ؛ ابزار Solar Radiation | ||
مراجع | ||
اصغری سراسکانرود، صیاد؛ ایمانعلی بلواسی (1399). امکانسنجی استفاده از انرژی تابشی خورشید با استفاده از سنجش از دور و الگوریتم سبال (مطالعۀ موردی: شهرستان الشتر)، فصلنامۀ علمی- پژوهشی اطلاعات جغرافیایی «سپهر». دورۀ 29. شمارۀ 113. صفحات 184-169.
زندی، رحمان؛ محمدجواد صفایی؛ مریم خسرویان (1398). پتانسیلسنجی استفاده از انرژی خورشیدی در مناطق روستایی (مطالعۀ موردی: شهرستان سبزوار)، فصلنامۀ جغرافیا و توسعه. دورۀ 17. شمارۀ 57. صفحات 94-69.
مؤمنی، حسن؛ حجتالله محمدقلیان (1399). سیاست بهرهگیری از انرژی تابش خورشیدی در پراکنش پهنههای جغرافیایی با استفاده از برنامههای ArcGIS. جغرافیا و روابط انسانی. دورۀ 3. شمارۀ 2. صفحات 84-61.
هوشنگی، نوید؛ علیاصغر آلشیخ؛ حسین هلالی (1393). بررسی منطقهای پتانسیل تابش خورشیدی با ارزیابی و بهینهسازی روشهای درونیابی در سطح کشور ایران. فصلنامۀ علمی- پژوهشی برنامهریزی منطقهای، دورۀ 4. شمارۀ 16. صفحات16-1.
ولیزادهکامران، خلیل (1393). برآورد تبخیر- تعرق پتانسیل در آذربایجان شرقی به روش استفنز با استفاده از GIS، نشریۀ علمی جغرافیا و برنامهریزی. دورۀ 18. شمارۀ 49. صفحات 334-317.
Refrences Alamdari, P., Nematollahi, O. and Alemrajabi, A. A. (2013). Solar energy potentials in Iran: A review. Renewable and Sustainable Energy Reviews, 21, 778-788. https://www.sciencedirect.com/science/article/pii/S1364032113000087 Babar, B., Graversen, R. and Boström, T. (2019). Solar radiation estimation at high latitudes: Assessment of the CMSAF databases, ASR and ERA5. Solar Energy, 182, 397-411. https://www.sciencedirect.com/science/article/pii/S0038092X19301847 Batlles, F. J., Bosch, J. L., Tovar-Pescador, J., Martinez-Durban, M., Ortega, R. and Miralles, I. (2008). Determination of atmospheric parameters to estimate global radiation in areas of complex topography: Generation of global irradiation map. Energy Conversion and Management, 49(2), 336-345. http://inis.iaea.org/search/search.aspx?orig_q=RN:39094064 Bellaoui, M., Bouchouicha, K. and Oulimar, I. (2021). Estimation of daily global solar radiation based on MODIS satellite measurements: The case study of Adrar region (Algeria). Measurement, 183, 109. https://www.sciencedirect.com/science/article/pii/S0263224121007545 Chelbi, M., Gagnon, Y. and Waewsak, J. (2015). Solar radiation mapping using sunshine duration-based models and interpolation techniques: Application to Tunisia. Energy Conversion and Management, 101, 203-215. https://www.sciencedirect.com/science/article/pii/S0196890415004069 Emmendorfer, L. R. and Dimuro, G. P. (2021). A point interpolation algorithm resulting from weighted linear regression. Journal of Computational Science, 50, 101304. https://www.sciencedirect.com/science/article/pii/S1877750321000053 Esri (2021). Area Solar Radiation [Online]. Environmental Systems Research Institute. Available: https://desktop.arcgis.com/en/arcmap/10.3/tools/spatial-analyst-toolbox/area-solar-radiation.htm [Accessed 2021]. Feng, Y., Zhang, X., Jia, Y., Cui, N., Hao, W., Li, H. and Gong, D. (2021). High-resolution assessment of solar radiation and energy potential in China. Energy Conversion and Management, 240, 114265. https://www.sciencedirect.com/science/article/pii/S0196890421004416 Gassar, A. a. A. and Cha, S. H. (2021). Review of geographic information systems-based rooftop solar photovoltaic potential estimation approaches at urban scales. Applied Energy, 291, 116817. https://www.sciencedirect.com/science/article/pii/S0306261921003184 He, C., Liu, J., Xu, F., Zhang, T., Chen, S., Sun, Z., Zheng, W., Wang, R., He, L., Feng, H., Yu, Q. and He, J. (2020). Improving solar radiation estimation in China based on regional optimal combination of meteorological factors with machine learning methods. Energy Conversion and Management, 220, 113111. https://www.sciencedirect.com/science/article/pii/S0196890420306555 Hirooka, D., Murata, N., Fujimoto, Y. and Hayashi, Y. (2018). Temporal Interpolation of Gridded Solar Radiation Data for Evaluation of PV Fluctuations. Energy Procedia, 155, 259-268. https://www.sciencedirect.com/science/article/pii/S1876610218310063 Hooshangi, N. and Alesheikh, A. A. (2015). Evaluation of ANN, ANFIS and fuzzy systems in estimation of solar radiation in Iran. ISSGE, 4(3), 187-200. http://jgst.issge.ir/article-1-109-fa.html Jamil, B. and Bellos, E. (2019). Development of empirical models for estimation of global solar radiation exergy in India. Journal of Cleaner Production, 207, 1-16. https://www.sciencedirect.com/science/article/pii/S0959652618329858 Jeong, D. I., St-Hilaire, A., Gratton, Y., Bélanger, C. and Saad, C. (2017). A guideline to select an estimation model of daily global solar radiation between geostatistical interpolation and stochastic simulation approaches. Renewable Energy, 103, 70-80. https://www.sciencedirect.com/science/article/pii/S0960148116309855 Karaman, Ö. A., Tanyıldızı Ağır, T. and Arsel, İ. (2021). Estimation of solar radiation using modern methods. Alexandria Engineering Journal, 60(2), 2447-2455. https://www.sciencedirect.com/science/article/pii/S1110016820306979 Koo, C., Li, W., Cha, S. H. and Zhang, S. (2019). A novel estimation approach for the solar radiation potential with its complex spatial pattern via machine-learning techniques. Renewable Energy, 133, 575-592. https://www.sciencedirect.com/science/article/pii/S0960148118312503 Liao, K.-H., Xu, S.-H., Wu, J.-C., Ji, S.-H. and Lin, Q. (2011). Cokriging of Soil Cation Exchange Capacity Using the First Principal Component Derived from Soil Physico-Chemical Properties. Agricultural Sciences in China, 10(8), 1246-1253. https://www.sciencedirect.com/science/article/pii/S1671292711601168 Loghmari, I., Timoumi, Y. and Messadi, A. (2018). Performance comparison of two global solar radiation models for spatial interpolation purposes. Renewable and Sustainable Energy Reviews, 82, 837-844. https://www.sciencedirect.com/science/article/pii/S1364032117313448 Makade, R. G., Chakrabarti, S., Jamil, B. and Sakhale, C. N. (2020). Estimation of global solar radiation for the tropical wet climatic region of India: A theory of experimentation approach. Renewable Energy, 146, 2044-2059. https://www.sciencedirect.com/science/article/pii/S0960148119312418 Naserpour, S., Zolfaghari, H. and Zeaiean Firouzabadi, P. (2020). Calibration and evaluation of sunshine-based empirical models for estimating daily solar radiation in Iran. Sustainable Energy Technologies and Assessments, 42, 100855. https://www.sciencedirect.com/science/article/pii/S2213138820312820 Núñez-Reyes, A. and Ruiz-Moreno, S. (2020). Spatial Estimation of Solar Radiation Using Geostatistics and Machine Learning Techniques. IFAC-PapersOnLine, 53(2), 3216-3222. https://www.sciencedirect.com/science/article/pii/S2405896320314683 Pardo-Igúzquiza, E., Chica-Olmo, M., Luque-Espinar, J. A. and Rodríguez-Galiano, V. (2015). Compositional cokriging for mapping the probability risk of groundwater contamination by nitrates. Science of The Total Environment, 532, 162-175. https://www.sciencedirect.com/science/article/pii/S0048969715302023 Piedallu, C. and Gégout, J.-C. (2008). Efficient assessment of topographic solar radiation to improve plant distribution models. Agricultural and Forest Meteorology, 148(11), 1696-1706. https://www.sciencedirect.com/science/article/pii/S0168192308001767 Rezaei, M., Mohammad, H., Hatefi, A. and Graduated, M. (2016). Assessment of energy supply for photovoltaic systems based on solar energy analyst function (area: highway Zanjan – Tabriz). mdrsjrns, 20(3), 131-155. http://hsmsp.modares.ac.ir/article-21-10474-fa.html Shboul, B., Al-Arfi, I., Michailos, S., Ingham, D., Ma, L., Hughes, K. J. and Pourkashanian, M. (2021). A new ANN model for hourly solar radiation and wind speed prediction: A case study over the north & south of the Arabian Peninsula. Sustainable Energy Technologies and Assessments, 46, 101248. https://www.sciencedirect.com/science/article/pii/S2213138821002587 Zhou, Y., Liu, Y., Wang, D., Liu, X. and Wang, Y. (2021). A review on global solar radiation prediction with machine learning models in a comprehensive perspective. Energy Conversion and Management, 235, 113960. https://www.sciencedirect.com/science/article/pii/S0196890421001369 Zou, L., Wang, L., Lin, A., Zhu, H., Peng, Y. and Zhao, Z. (2016). Estimation of global solar radiation using an artificial neural network based on an interpolation technique in southeast China. Journal of Atmospheric and Solar-Terrestrial Physics, 146, 110-122. https://www.sciencedirect.com/science/article/pii/S1364682616301390
| ||
آمار تعداد مشاهده مقاله: 1,125 تعداد دریافت فایل اصل مقاله: 573 |