فهرست نشریات علمی دسترسی آزاد ایران

یکی از پدیده­های جوّی مرتبط با باد که می­تواند بر زندگی بشر و برخی صنایع ازجمله هوانوردی تأثیر مستقیم داشته باشد، جست­باد است. جست­باد، تغییرات شدید و بسیار کوتاه­مدت تندی باد نسبت به باد میانگین است و ازاین‌رو در هواشناسی کاربردی بسیار مهم است. هدف از این مطالعه، ارزیابی دو روش پیش­بینی تندی جست­باد با استفاده از برونداد مدل WRF و پس­پردازش نتایج با بهره­گیری از شبکه عصبی مصنوعی در ایران است. برای این منظور 1880 مورد اطلاعات جست­باد غیرهمرفتی از 32 ایستگاه همدیدی بین سال­های 2013 تا 2018 بررسی شد. در بخش اول، رابطه استفاده­شده در سامانه پس­پردازش یکپارچه مدل WRF (روش WPD) و رابطه استفاده­شده در اداره هواشناسی انگلستان (روش MOA)، جهت پیش­بینی تندی جست­باد غیرهمرفتی ارزیابی شدند. نتایج حاکی از عملکرد بهتر روش WPD (89/3RMSE=، 07/3MAE=، 2/15MSE= و 66/0R=) در مقایسه با روش MOA (37/4RMSE=، 43/3MAE=، 1/19MSE= و 55/0R=) بود.     در بخش دوم، چندین ساختار شبکه عصبی مصنوعی برای پس­پردازش نتایج هر دو روش، مطالعه و ارزیابی شد. شبکه عصبی مصنوعی یکی از الگوریتم­های هوش مصنوعی است که با الگوبرداری از گذشته و تطبیق پیش­بینی­های حاصل از برونداد مدل و دیده‌بانی­ها، می­تواند خطای مدل را کاهش دهد. بررسی­ها نشان داد بهره­گیری از شبکه عصبی پرسپترون چندلایه با ساختار هیبریدی با پنج لایه ورودی شامل پارامترهای تندی باد میانگین، فشار سطح دریا، دما، رطوبت نسبی و تندی جست­باد محاسبه­شده از روابط WPD یا MOA، یک لایه مخفی با نُه نرون و تابع فعال­سازی سیگموئید، یک لایه خروجی با تابع فعال­سازی خطی و بهره­گیری از الگوریتم یادگیری لونبرگ- مارکورات، می­تواند تا حدی پذیرفتنی خطای پیش‌بینی حاصل از روابط یاد­شده را کاهش دهد. مقادیر سنجه­های RMSE، MAE، MSE و R برای شبکه عصبی بهینه WPD9-LM به­ترتیب برابر با 50/2، 6/1، 21/4 و 83/0 به‌دست­آمد.