بررسی امکان پیش بینی سرعت باد در نوار ساحلی دریای خزر با روش جنگل تصادفی

سال انتشار: 1404
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 20

فایل این مقاله در 15 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JAMST-6-4_003

تاریخ نمایه سازی: 18 مهر 1405

چکیده مقاله:

باد یکی از منابع پاک و تجدید پذیر انرژی است که نقش مهمی در برنامه ریزی های زیست محیطی، کشاورزی و تولید انرژی دارد. با توجه به اهمیت پیش بینی دقیق سرعت باد در نوار ساحلی دریای خزر، این پژوهش به بررسی عملکرد مدل جنگل تصادفی در مدل سازی و پیش بینی سرعت باد با استفاده از داده های ماهانه ۸ ایستگاه هواشناسی از سال ۱۹۶۰ تا ۲۰۲۲ پرداخته است. در گام نخست، از تحلیل تابع خودهمبستگی (ACF) برای استخراج گام های تاخیر زمانی موثر استفاده شد. داده ها به نسبت ۷۵ درصد آموزش و ۲۵ درصد آزمون تقسیم شدند. ارزیابی مدل با استفاده از شاخص هایی مانند میانگین مربعات خطا (MSE)، ضریب تعیین (R²) و خطای میانگین مطلق (MAE) انجام گرفت. نتایج نشان داد که مدل RF با تنظیم بهینه پارامترهایی مانند تعداد درخت، عمق درختان و تعداد ویژگی های انتخابی در هر گره، توانست در اکثر ایستگاه ها پیش بینی دقیقی ارائه دهد. ایستگاه ساری با MSE=۰.۰۵ و R²=۰.۶۶ بهترین عملکرد و ایستگاه گرگان با MSE=۱.۳۳ و R²=۰.۱۰ ضعیف ترین عملکرد را داشت. تحلیل حساسیت نیز نشان داد که انتخاب پارامترهای مدل بر اساس ویژگی های اقلیمی هر ایستگاه موجب بهبود دقت می شود. نتایج این پژوهش بیانگر توانایی بالای مدل جنگل تصادفی در پیش بینی سرعت باد در نواحی ساحلی است و به کارگیری آن در طراحی نیروگاه های بادی و مدیریت منابع انرژی پیشنهاد می شود.

نویسندگان

نفیسه موسوی

دانش آموخته کارشناسی ارشد، گروه مهندسی آب، دانشکده مهندسی زراعی، دانشگاه علوم کشاورزی ومنابع طبیعی ساری

رضا نوروز ولاشدی

استادیار هواشناسی کشاورزی گروه مهندسی آب، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ایران

پویا عاقلپور

دانشجوی دکتری، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه بوعلی سینا همدان

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • اصولی شجاعی، م.، میکائیلی، ف.، صمدیان فرد، س. (۱۴۰۱). ارزیابی ...
  • بختیاری، ب.، قهرمان، ن.، رحیمی، ا. (۱۳۹۲). استفاده از رویکرد ...
  • خانجانی، ط.، عطایی، م.، معلم، پ. (۱۳۹۵). پیش بینی سرعت ...
  • ده ملائی، م.، رضازاده، م.، آزادی، م. (۱۴۰۰). بررسی پیش ...
  • سلطانی، آ. فدیشه ای، ح. (۱۴۰۳). پیش بینی کوتاه مدت ...
  • قاسمی، ا. ر.، سیدی، ف. (۱۳۹۴). شبیه سازی تغییرات و ...
  • موسوی، ن.، نوروز ولاشدی، ر.، عاقل پور، پ. (۱۴۰۲). مروری ...
  • نظری پور، ح.، شه بخش، ز.، پودینه، م. ر.، خسروی، ...
  • Addinsoft. (۲۰۲۳). XLSTAT statistical software, version ۲۰۲۳.۱ ...
  • Agrawal, A., Sandhu, K. S. (۲۰۱۴). Comparative study of stochastic ...
  • Akpınar, A. (۲۰۲۴). Seasonal and interannual variability in sea surface ...
  • Bakhtiari, B., Ghahreman, N., Rahimi, I. (۲۰۱۳). Short Term Wind ...
  • Bishop, C. M., Nasrabadi, N. M. (۲۰۰۶). Pattern recognition and machine ...
  • Breiman, L. (۲۰۰۱). Random forests. Machine Learning, ۴۵(۱), ۵-۳۲ ...
  • Chai, T., Draxler, R. R. (۲۰۱۴). Root mean square error ...
  • Dehmolaie, M., Rezazadeh, M., Azadi, M. (۲۰۲۱). Evaluation of Deterministic ...
  • Drisya, G. V., Asokan, K., Kumar, K. S. (۲۰۲۲). Wind ...
  • Elyasichamazkoti, F., Khajehpoor, A. (۲۰۲۱). Application of machine learning for ...
  • Esri. (۲۰۲۱). ArcGIS Pro Documentation. Environmental Systems Research Institute ...
  • Ghanghermeh, A. A., Roshan, G. R., Martinez, A., Iglesias, G. ...
  • Ghasemi, A., Sayedi, F. S. (۲۰۱۵). Simulating the Wind Speed ...
  • Hastie, T., Tibshirani, R., Friedman, J. (۲۰۰۹). The Elements of ...
  • Henriksen, L. C. (۲۰۰۹). Wind Energy literature survey no. ۱۲. Wind ...
  • Khanjani, T., Ataei, M., Moallem, P. (۲۰۱۶). Wind Speed Prediction ...
  • Kohavi, R. (۱۹۹۵). A study of cross-validation and bootstrap for ...
  • Lantz, B. (۲۰۱۹). Machine learning with R: Expert techniques for ...
  • Minitab. (۲۰۲۳). Minitab Statistical Software, Release ۲۱. Minitab LLC ...
  • Mousavi, N., Norooz-Valashedi, R., Aghlipoor, P. (۲۰۲۳). A review of ...
  • Nazaripour, H., Shahbakhsh, Z., Poodineh, M. R., Khosravi, M. (۲۰۲۱). ...
  • Osouli Shojaei, M., Mikaeili, F., Samadianfard, S. (۲۰۲۲). Evaluating Capabilities ...
  • Soltani Fadishei, H. (۲۰۲۴). Short-Term Photovoltaic Power Forecasting in a ...
  • Willmott, C. J., Matsuura, K. (۲۰۰۵). Advantages of the mean ...
  • Yamaguchi, A., Tavana, A., Ishihara, T. (۲۰۲۴). Assessment of wind ...
  • Yu, M. (۲۰۲۰). Short-term wind speed forecasting based on random ...
  • Zhang, J., Wei, Y., Tan, Z. F., Wang, K., Tian, ...
  • نمایش کامل مراجع