این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
ژئوفیزیک ایران، جلد ۱۶، شماره ۲، صفحات ۱۰۱-۱۱۸
عنوان فارسی ارزیابی دو روش پیش‌بینی تندی جست‌باد در ایران و پس‌پردازش نتایج با بهره‌گیری از شبکه عصبی مصنوعی
چکیده فارسی مقاله 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.
کلیدواژه‌های فارسی مقاله پس‌پردازش، جست‌باد، شبکه عصبی مصنوعی، مدل عددی، WRF،
عنوان انگلیسی Evaluation of two methods of forecasting wind gust speed in Iran and post-processing of results using artificial neural network
چکیده انگلیسی مقاله Atmospheric currents, known as winds, are among the most important fields of study in different disciplines of science. One of the most important characteristics of wind is gustiness. Wind gust, among many other characteristics of the wind field, is studied extensively due to severe impacts that it may have on many aspects of human socio-economic activities. There are several models to predict wind gust speed. The results of these models always contain random and systematic errors that reduce the accuracy of predictions due to the lack of topographic resolution as well as the deficiencies of different physical schemes in the models. Consequently, post-processing is the most important process in the course of simulation and prediction using different types of models. Artificial neural network is one of the available tools that may be used to reduce errors of models by matching their outputs and observations. The aim of this study was to evaluate the performance of two models and artificial neural network in forecasting wind gust in Iran. First, a study was designed to examine two methods of the non-convective wind gusts forecasting, i.e., the UK Meteorological Office (MOA) and WRF post-process diagnostic of wind gusts (WPD) performances. To investigate the performace of two methods, 1880 cases of non-convective wind gust observations of 32 synoptic stations in Iran, between 2013 and 2018, were studied. Four RMSE, MAE, MSE and R were used to measure the performace of those two methods. The results for WPD and MOA were 3.89, 3.07, 15.2, 0.66 and 4.37, 3.43, 19.1, 0.55, respectively. The results showed that the WPD method performed better than the MOA method. To post-process the wind gust forecasts with an artificial neural network, a feedforward multilayer perceptron with the back-propagation learning algorithm was designed. The model had a hybrid structure with a sigmoid activation function for the hidden layer and a linear transfer function in the output layer. Three training algorithms were used in the implementation of the model. Various combinations of normalized output variables of the WRF were used as input for network training and the target was observational wind gust speed. Seventy percent of the data were used for training, fifteen percent for testing and fifteen percent for validation. The results showed that the best way to combine the input parameters is to use 10m wind, sea level pressure, temperature and relative humidity resulting from the output of the WRF model and the wind gust speed resulting from both methods mentioned above. Also, the best algorithm for neural network training was the Levenberg-Marquardt algorithm. Finally, the implemented artificial neural network was able to improve the results of both wind gust speed prediction methods (WPD and MOA). Due to the relatively higher accuracy of the WPD method compared with MOA method in predicting the wind gust speed in Iran, the artificial neural network that assumed the prediction of this method as input, was more accurate than MOA method (RMSE, MAE, MSE and R were 2.05, 1.6, 4.21, 0.83 and 2.37, 1.86, 5.2, 0.77, respectively).
کلیدواژه‌های انگلیسی مقاله پس‌پردازش, جست‌باد, شبکه عصبی مصنوعی, مدل عددی, WRF
نویسندگان مقاله محمد حسام محمدی |
دانشجوی دکتری، گروه علوم زمین، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران

امیر حسین مشکوتی |
دانشیار، گروه علوم زمین، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران

سرمد قادر |
دانشیار، گروه فیزیک فضا، مؤسسه ژئوفیزیک، دانشگاه تهران، تهران، ایران

مجید آزادی |
دانشیار، پژوهشکده هواشناسی و علوم جو، تهران، ایران

نشانی اینترنتی https://www.ijgeophysics.ir/article_150141_a9ba348e834a40b39e2ea3bd1fd96b01.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات