پارامتر های موثر بر پیش بینی سرعت باد با استفاده شبکه عصبی مصنوعی(مطالعه موردی: بندر ماهشهر)

سرعت باد یکی از متغیر های مهم هواشناسی است. مدل ها و روش های متعددی برای پیش بینی این عامل وجود دارد. در سال های اخیر با شناخته شدن ابزار محاسبات نرم، به عنوان روشی نوین در ایجاد سیستم های هوشمند، این روش جایگاهی ویژه در علوم هواشناسی پیدا کرد. استفاده از رویکرد شبکه عصبی مصنوعی(ANN) یکی از این روش هاست. در مدل های شبکه های عصبی مصنوعی سنتی، به طور معمول متغیر های ورودی هواشناسی منفرد مورد بررسی قرار می گیرد. در این مقاله مقادیر سرعت باد روزانه در ساعتی مشخص با استفاده از داده های سرعت استخراج شده از مدل سیستم پیش بینی جهانی(GFS) و داده های هواشناسی(فشار هوا، دمای هوا، رطوبت نسبی، جهت باد و بارش) با ساختار های مختلف(ورودی های متفاوت) مدل سازی و تاثیر این پارامتر ها در پیش بینی سرعت باد روزانه مقایسه می شود. داده های روزانه ثبت شده در ساعتی مشخص در ایستگاه سینوپتیک بندر ماهشهر برای دوره زمانی اکتبر 2014 تا جولای 2016 موجود است. با توجه به مقایسه نتایج بدست آمده، متوسط R و RMSE در ساختار شبکه های عصبی مصنوعی مختلف مورد بررسی قرار گرفت. در مدل بهینه شاخص R در آموزش و آزمایش و RMSE به ترتیب 0.96، 0.94 و 1.65 بدست آمد.

کلیدواژه ها:

سرعت باد ، پیش بینی ، شبکه های عصبی مصنوعی ، مدل پیش بینی عددی آب و هوا