استفاده از رويكرد شبكه عصبي مصنوعي جهت پيشبيني كوتاهمدت سرعت باد )مطالعه موردي: ايستگاه هواشناسي جيرفت(

Short Term Wind Speed Forecasting Using Artificial Neural Network (Case Study: Jiroft Synoptic Weather Station)

سرعت باد يكي از متغيرهاي بسيار مهم‌ هواشناسي در تعيين تبخيرتعرق و نياز آبي گياهان است. مدل‌ها و روش‌هاي متعددي براي پيش‌بيني اين عامل وجود دارد. در سال‌هاي اخير، با شناخته‌شدن ابزار محاسبات نرم، به‌مثابه روشي نوين در ايجاد سيستم‌هاي هوشمند، اين روش‌ها جايگاهي ويژه در علوم هواشناسي كشاورزي پيدا كردند. به‌كاربردن رويكرد شبكه عصبي مصنوعي يكي از اين روش‌هاست. با توجه به وجود ايستگاه هواشناسي كشاورزي جيرفت و دردسترس‌بودن داده‌هاي ساعتي سرعت باد در اين شهر، از اطلاعات اين ايستگاه استفاده شد. سري زماني استفاده‌شده در اين تحقيق اطلاعات سرعت باد در بازه زماني ساعتي شش ماه (آوريل تا سپتامبر) سال2010 بود كه سرعت باد نسبت به ساير ماه‌هاي سال بيشتر بود. در اين تحقيق از سه مدل با نورون‌هاي متفاوت با چهار لايه استفاده شد. نتايج نشان داد كه مرحله آزمون مدل با 20 نورون در هر لايه، به‌طور متوسط 134 ثانيه طول كشيده است. لذا اين مدل در مقايسه با ديگر مدل‌ها، در مدت زماني كوتاه‌تر مقادير خروجي را به دست داد و سرعت اجراي بالاتري داشت. با توجه به مقايسه پارامترهاي آماري در مرحله آزمون، متوسط RMSE و MSE و EF (ضريب كارايي مدل)، به‌ترتيب، 1827/1 و 6947/0 و 9246/0 به‌‌دست آمد. مدل به‌كاررفته، نسبت به دو مدل ديگر، دقت بيشتر و كارايي بهتري در پيش‌بيني سرعت باد دارد و با دنياي واقعي مطابقت مي‌كند.

Wind speed is one of the major parameters required for an estimation of evapotranspiration and determination of crop water requirements. Hence, several models and methods have been developed for a prediction of this needed climatic variable. In recent years, by development of soft computing tools, such intelligent systems as Artificial Neural Network (ANN) approach have been widely employed in agrometeorological studies. In this study, three types of four layers ANN models of different number of neurons were generated and utilized for a prediction of wind speed, using hourly data of Jiroft Agrometeorological Station, during a 6 month period, April to September, 2010. During these months winds are of higher speeds than those during the rest of the year. Statistical indices of RMSE, ME and EF (Efficiency Factor) were utilized for comparisons and as well for modelsʹ evaluations. The results revealed that an ANN model with 20 neurons in each layer is of the most suitable performance in prediction of wind speed with the respective corresponding values of these indices as 1.1827, 0.6947 and 0.9246.