ارزیابی دو روش پیش بینی تندی جست باد در ایران و پس پردازش نتایج با بهره گیری از شبکه عصبی مصنوعی

یکی از پدیده های جوی مرتبط با باد که می تواند بر زندگی بشر و برخی صنایع ازجمله هوانوردی تاثیر مستقیم داشته باشد، جست باد است. جست باد، تغییرات شدید و بسیار کوتاه مدت تندی باد نسبت به باد میانگین است و ازاین رو در هواشناسی کاربردی بسیار مهم است. هدف از این مطالعه، ارزیابی دو روش پیش بینی تندی جست باد با استفاده از برونداد مدل WRF و پس پردازش نتایج با بهره گیری از شبکه عصبی مصنوعی در ایران است. برای این منظور 1880 مورد اطلاعات جست باد غیرهمرفتی از 32 ایستگاه همدیدی بین سال های 2013 تا 2018 بررسی شد. در بخش اول، رابطه استفاده شده در سامانه پس پردازش یکپارچه مدل WRF (روش WPD) و رابطه استفاده شده در اداره هواشناسی انگلستان (روش MOA)، جهت پیش بینی تندی جست باد 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 پس پردازش نتایج هر دو روش، مطالعه و ارزیابی شد. شبکه عصبی مصنوعی یکی از الگوریتم های هوش مصنوعی است که با الگوبرداری از گذشته و تطبیق پیش بینی های حاصل از برونداد مدل و دیده بانی ها، می تواند خطای مدل را کاهش دهد. بررسی ها نشان داد بهره گیری 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 جست باد محاسبه شده از روابط WPD یا MOA، یک لایه مخفی با نه نرون و تابع فعال سازی سیگمویید، یک لایه خروجی با تابع فعال سازی خطی و بهره گیری از الگوریتم یادگیری لونبرگ- مارکورات، می تواند تا حدی پذیرفتنی خطای پیش بینی حاصل از روابط یاد شده را کاهش دهد. مقادیر سنجه های RMSE، MAE، MSE و R برای شبکه عصبی بهینه WPD9-LM به ترتیب برابر با 50/2، 6/1، 21/4 و 83/0 به دست آمد.