ارزيابي دو روش پيش‌بيني تندي جست‌باد در ايران و پس‌پردازش نتايج با بهره‌گيري از شبكه عصبي مصنوعي

يكي از پديده هاي جوّي مرتبط با باد كه مي تواند بر زندگي بشر و برخي صنايع ازجمله هوانوردي تأثير مستقيم داشته باشد، جست باد است. جست باد، تغييرات شديد و بسيار كوتاه مدت تندي باد نسبت به باد ميانگين است و ازاين‌رو در هواشناسي كاربردي بسيار مهم است. هدف از اين مطالعه، ارزيابي دو روش پيش بيني تندي جست باد با استفاده از برونداد مدل WRF و پس پردازش نتايج با بهره گيري از شبكه عصبي مصنوعي در ايران است. براي اين منظور 1880 مورد اطلاعات جست باد غيرهمرفتي از 32 ايستگاه همديدي بين سال هاي 2013 تا 2018 بررسي شد. در بخش اول، رابطه استفاده شده در سامانه پس پردازش يكپارچه مدل WRF (روش WPD) و رابطه استفاده شده در اداره هواشناسي انگلستان (روش MOA)، جهت پيش بيني تندي جست باد غيرهمرفتي ارزيابي شدند. نتايج حاكي از عملكرد بهتر روش ( MSE =15.2 ،MAE=3.07 ، RMSE=3.89 WPD R=0.66 ) در مقايسه با روش (R=0.55/ و MSE=19/1 ،MAE=3/43 ،RMSE=4/37) MOA بود. در بخش دوم، چندين ساختار شبكه عصبي مصنوعي براي پس پردازش نتايج هر دو روش، مطالعه و ارزيابي شد. شبكه عصبي مصنوعي يكي از الگوريتم هاي هوش مصنوعي است كه با الگوبرداري از گذشته و تطبيق پيش بيني هاي حاصل از برونداد مدل و ديده‌باني ها، مي تواند خطاي مدل را كاهش دهد. بررسي ها نشان داد بهره گيري از شبكه عصبي پرسپترون چندلايه با ساختار هيبريدي با پنج لايه ورودي شامل پارامترهاي تندي باد ميانگين، فشار سطح دريا، دما، رطوبت نسبي و تندي جست باد محاسبه شده از روابط WPD يا MOA، يك لايه مخفي با نُه نرون و تابع فعال سازي سيگموئيد، يك لايه خروجي با تابع فعال سازي خطي و بهره گيري از الگوريتم يادگيري لونبرگ ماركورات، مي تواند تا حدي پذيرفتني خطاي پيش‌بيني حاصل از روابط ياد شده را كاهش دهد. مقادير سنجه هاي RMSE، MAE، MSE و R براي شبكه عصبي بهينه WPD9-LM به ترتيب برابر با 2.50، 1.6، 4.21 و 0.83 به‌دست آمد.