چکیده مقاله
سرعت باد یکی از مهمترین پارامترهای اقلیمی است که مدلسازی آن در مطالعات مربوط به احداث ساختمانها، آلودگی هوا، ذوب برف، نیاز آبی گیاهان، تبخیر در یک حوزه آبخیز، شیوع و گسترش بیماریها و مدیریت توربین های بادی از اهمیت بالای برخوردار است و به دلیل داشتن ماهیت نوسانی، مدلسازی آن چه از نظر مکانی و چه از نظر زمانی امری پیچیده تلقی میشود از جمله ابزارهای مدلسازی پدیده های مختلف که در چند ده ه اخیر بسیار مورد توجه دانشمندان بوده است استفاده از ابزارهای هوش محاسباتی است، هوش محاسباتی، شاخهای از هوش مصنوعی است که شامل الگوریتمهای یادگیری ماشین و الگوریتمهای بهینهسازی هوشمند است که قادر است پدیده های بسیار پیچیده که روشهای قطعی ریاضی برای آنها وجود ندارند را مدلسازی کند در این تحقیق از سه روش هوش محاسباتی شامل شبکه عصبی مصنوعی پرسپترون چندالیه MLP، شبکه عصبی مصنوعی RBF، شبکه عصبی رگرسیونی تعمیم یافته GRNN و یک روش آماری رگرسیون فرآیند گوسی GPR جهت مدلسازی سرعت باد استفاده شد نتایج حاکی از دقت بالای روشهای هوش محاسباتی در مدلسازی میانگین سرعت باد ماهانه بود در میان چهار روش استفاده شده در این تحقیق، مدل GRNN دارای بالاترین ضریب همبستگی به میزان 0/90 و کمترین خطای RMSE به میزان 0/23 در داده های تست شد و در مقابل مدل رگرسیون فرآیند گوسی GPR دارای پایینترین ضریب همبستگی به میزان 0/80 و بالاترین خطای RMSE به میزان 0/72 در داده های تست شد
کلیدواژه‌ها
نویسندگان
جهان بخش محمدی
دانشگاه آزاد اسلامی، واحد مریوان، گروه مهندسی نقشه برداری، مریوان، ایران
علیرضا وفائی نژاد
دانشکده مهندسی عمران، آب و محیط زیست، دانشگاه شهید بهشتی، تهران، ایران
اسداله محمدی
دانشجوی دکتری رشته جغرافیا و برنامه ریزی روستایی، دانشکده علوم انسانی، مرکز تحصیلات تکمیلی، پیام نور تهران
شیوه ارجاع
محمدی، جهان بخش و وفائی نژاد، علیرضا و محمدی، اسداله،1397،مدلسازی میانگین سرعت باد ماهانه با بهره گیری از ابزارهای هوش محاسباتی و آماری ( نمونه مورد مطالعه: ایستگاه سینوپتیک شهرستان مریوان)،بیست و پنجمین همایش و نمایشگاه ملی ژئوماتیک و سومین کنفرانس مهندسی فناوری اطلاعات مکان،تهران
ارائه‌شده در
مجموعه مقالات بیست و پنجمین همایش و نمایشگاه ملی ژئوماتیک و سومین کنفرانس مهندسی فناوری اطلاعات مکان30 آبان 1397 · تهران