پارامتر هاي موثر بر پيش بيني سرعت باد با استفاده شبكه عصبي مصنوعي(مطالعه موردي: بندر ماهشهر)

Effective Parameters on Wind Speed Prediction by using Artificial Neural Network (Case study: Bandar-Mahshahr)

سرعت باد يكي از متغير هاي مهم هواشناسي است. مدل ها و روش هاي متعددي براي پيش بيني اين عامل وجود دارد. در سال هاي اخير با شناخته شدن ابزار محاسبات نرم، به عنوان روشي نوين در ايجاد سيستم هاي هوشمند، اين روش جايگاهي ويژه در علوم هواشناسي پيدا كرد. استفاده از رويكرد شبكه عصبي مصنوعي(ANN) يكي از اين روش هاست. در مدل هاي شبكه هاي عصبي مصنوعي سنتي، به طور معمول متغير هاي ورودي هواشناسي منفرد مورد بررسي قرار مي گيرد. در اين مقاله مقادير سرعت باد روزانه در ساعتي مشخص با استفاده از داده هاي سرعت استخراج شده از مدل سيستم پيش بيني جهاني(GFS) و داده هاي هواشناسي(فشار هوا، دماي هوا، رطوبت نسبي، جهت باد و بارش) با ساختار هاي مختلف(ورودي هاي متفاوت) مدل سازي و تاثير اين پارامتر ها در پيش بيني سرعت باد روزانه مقايسه مي شود. داده هاي روزانه ثبت شده در ساعتي مشخص در ايستگاه سينوپتيك بندر ماهشهر براي دوره زماني اكتبر 2014 تا جولاي 2016 موجود است. با توجه به مقايسه نتايج بدست آمده، متوسط R و RMSE در ساختار شبكه هاي عصبي مصنوعي مختلف مورد بررسي قرار گرفت. در مدل بهينه شاخص R در آموزش و آزمايش و RMSE به ترتيب 0.96، 0.94 و ##65 بدست آمد.

Wind speed is one of the most important meteorological variables. There are several models and methods to predict this factor. In recent years, with recognition of soft computing tools, as a novel way of creating intelligent systems, this method have found a special place in the meteorological sciences. Applying artificial neural network (ANN) approach is one of these methods. In traditional artificial neural network models, single meteorological input variables are typically studied. In this paper, the daily wind speed values at a specific hour are calculated by using extracted data from the Numerical Weather Prediction(NWP) model and meteorological data (air pressure, air temperature, relative humidity, wind direction and precipitation) with various sructures (different variables)are modelled and effects of these parameters are compared. Daily data recorded at a specific hour is available at the Synoptic Station of the Bandar-Mahshahr for the period of October 2014 to July 2016. Regarding the comparison of statistical parameters, the mean R and RMSE in the structure of artificial neural networks were investigated.