فهرست نشریات علمی دسترسی آزاد ایران

در این پژوهش به­منظور مدل­سازی و پیش­بینی سرعت باد ماهانة شهر دزفول از مدل SARIMA، مدل سری زمانی‌ غیرخطی آستانه (SETAR)، مدل هیبریدی SARIMA-SETAR و همچنین شبکه­های عصبی مصنوعی استفاده شد. افزون بر این، برای انتخاب متغیرهای ورودی مؤثر در پیش­بینی سرعت باد با شبکه عصبی از الگوریتم PMI  بهره گرفته شد .با استفاده از ضابطه همپل و معیار اطلاعاتی آکائیک، مقدار رطوبت نسبی ماهانه در دو ماه قبل RH(t-2)، مقدار تبخیر ماهانه در یک ماه قبل E (t-1)، دمای متوسط ماهانه در سه ماه قبل Tave (t-3) و دمای حداکثر ماهانه دریک ماه قبل Tmax (t) به عنوان متغیرهای ورودی موثر برای مدل­سازی و پیش­بینی سرعت باد ماهانه مشخص شد. به منظور صحت­سنجی مدل­های SARIMA و SETAR و مدل هیبریدی SARIMA*SETAR برازش یافته از توابع خودهمبستگی، خودهمبستگی جزیی و آزمون استقلال باقی­مانده‌های مدل (الجونگ- باکس) استفاده گردید. مدل برتر بر اساس حداقل مقدار عددی آماره شوارتز و آکائیک تعیین شدند. همچنین برای مدل­سازی و پیش­بینی سرعت باد ماهانه با شبکه عصبی برای لایه ورودی و خروجی تابع خطی و برای لایه مخفی از توابع محرک مختلف با الگوریتم آموزش متفاوت استفاده شد. مدل‌ شبکه عصبی با توپولوژی (5-1-1) با تابع محرک تانژانت سیگموئید و با الگوریتم آموزشی لونبرگ– مارکوارت درمقایسه با  مدل­های خطی SARIMA و غیر خطی SETAR دارای  عملکرد بهتر در پیش‌بینی سرعت باد ماهانه ایستگاه سینوپتیک دزفول شناخته شد. نتایج ارزیابی عملکرد مدل­ها نشان داد که مدل هیبریدی SARIMA*SETAR(2,2,3) در مقایسه با سایر مدل­های عملکرد بهتری داشت است. با ضریب تبین 91/0 و ریشه میانگین مربعات 72 دارای دقت قابل قبولی در پیش­بینی سرعت باد ماهانه ایستگاه سینوپتیک دزفول می­باشد.