مدلسازي ميانگين سرعت باد ماهانه با بهره‌گيري از ابزارهاي هوش‌محاسباتي و آماري ( نمونه مورد مطالعه: ايستگاه سينوپتيك شهرستان مريوان)

سرعت باد يكي از مهمترين پارامترهاي اقليمي است كه مدلسازي آن در مطالعات مربوط به احداث ساختمان‌ها، آلودگي هوا، ذوب برف، نياز آبي گياهان، تبخير در يك حوزه آبخيز، شيوع و گسترش بيماري‌ها و مديريت توربين‌هاي بادي از اهميت بالاي برخوردار است و به دليل داشتن ماهيت نوساني، مدلسازي آن چه از نظر مكاني و چه از نظر زماني امري پيچيده تلقي مي‌شود. از جمله ابزارهاي مدلسازي پديده‌هاي مختلف كه در چند دهه اخير بسيار مورد توجه دانشمندان بوده است استفاده از ابزارهاي هوش‌محاسباتي است، هوش‌محاسباتي، شاخه‌اي از هوش‌مصنوعي است كه شامل الگوريتم‌هاي يادگيري ماشين و الگوريتم‌هاي بهينه‌سازي هوشمند است كه قادر است پديده‌هاي بسيار پيچيده كه روش‌هاي قطعي رياضي براي آنها وجود ندارند را مدلسازي كند. در اين تحقيق از سه روش هوش‌محاسباتي شامل شبكه عصبي مصنوعي پرسپترون چندلايهMLP ، شبكه عصبي مصنوعي RBF، شبكه عصبي رگرسيوني تعميم‌ يافتهGRNN و يك روش آماري رگرسيون فرآيند گوسيGPR جهت مدلسازي سرعت باد استفاده شد. نتايج حاكي از دقت بالاي روش‌هاي هوش‌محاسباتي در مدلسازي ميانگين سرعت باد ماهانه بود. در ميان چهار روش استفاده شده در اين تحقيق، مدل GRNN داراي بالاترين ضريب همبستگي به ميزان 90/0 و كمترين خطاي RMSE به ميزان 23/0 در داده‌هاي تست شد و در مقابل مدل رگرسيون فرآيند گوسي (GPR) داراي پايين‌ترين ضريب همبستگي به ميزان 80/0 و بالاترين خطاي RMSE به ميزان 72/0 در داده‌هاي تست شد.