Procjena prizemnog neto Sun？evog zra？enja iz podataka s tornja za mjerenje turbuletnih tokova iznad tropske ？ume mangrova u Sundarbanu, Zapadni Bengal

Sa？etak U ovom je istra？ivanju pomo？u umjetnih neuronskih mre？a (ANN) i linearnog modela (LM) procijenjeno prizemno neto Sun？evo zra？enje (Rn). Potom su tako procjenjeni Rn iz oba modela (ANN i LM) uspore？eni s onima izmjerenim na tornju za mjerenje kovarijance turbuluentnih tokova (EC). Kao ulazni podaci u ANN kori？teni su rutinski mjerene meteorolo？ke varijable (temperatura zraka, relativna vlaga i brzina vjetra), a za LM globalno Sun？evo zra？enje, koji su dobiveni na meteorolo？kom tornju za mjerenje turbulentnih tokova. Uslijedila je analiza osjetljivosti ANN s uklju？enim svim meteorolo？kim varijablama te su testirani ANN iz kojih su isklju？eni jedna po jedna meteorolo？ka varijabla. Rezultati validacije pokazuju da se Rn procjenjeni pomo？u ANN i LM dobro sla？u s izmjerenim vrijednostima, pri ？emu korijen srednje kvadratne pogre？ke (RMSE) varira izme？u 21,63 W/m2 i 34,94 W/m2, srednja apsolutna pogre？ka (MAE) izme？u 17,93 W/m2 i 22,28 W/m2, a koeficijent preostale mase (CRM) izme？u –0,007 i –0,04 respektivno. Nadalje smo izra？unali u？inkovitost 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 uspje？no predvidjeti Rn, ANN je bio bolji u smislu kori？tenja minimalnog broja rutinski izmjerenih meteorolo？kih varijabli kao ulaza. Rezultati analize osjetljivosti ANN pokazali su da je temperatura zraka najva？niji ulazni parametar, koju slijede relativna vla？nost te brzina i smjer vjetra