پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 161 |
| تعداد شماره‌ها | 6,532 |
| تعداد مقالات | 70,501 |
| تعداد مشاهده مقاله | 124,101,925 |
| تعداد دریافت فایل اصل مقاله | 97,208,483 |
استفاده از رویکرد شبکة عصبی مصنوعی جهت پیش‌بینی کوتاه‌مدت سرعت باد (مطالعة موردی: ایستگاه هواشناسی جیرفت) | ||
| تحقیقات آب و خاک ایران | ||
| مقاله 2، دوره 44، شماره 1، فروردین 1392، صفحه 11-20 اصل مقاله (756.54 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ijswr.2013.36121 | ||
| نویسندگان | ||
| بهرام بختیاری* 1؛ نوذر قهرمان2؛ اسحاق رحیمی3 | ||
| 1استادیار دانشکدۀ کشاورزی دانشگاه شهید باهنر کرمان | ||
| 2استادیار دانشگاه تهران، پردیس کشاورزی و منابع طبیعی کرج | ||
| 3دانش‌آموختة کارشناسی ارشد دانشکدۀ کشاورزی دانشگاه شهید باهنر کرمان | ||
| چکیده | ||
| سرعت باد یکی از متغیرهای بسیار مهم هواشناسی در تعیین تبخیرتعرق و نیاز آبی گیاهان است. مدل‌ها و روش‌های متعددی برای پیش‌بینی این عامل وجود دارد. در سال‌های اخیر، با شناخته‌شدن ابزار محاسبات نرم، به‌مثابة روشی نوین در ایجاد سیستم‌های هوشمند، این روش‌ها جایگاهی ویژه در علوم هواشناسی کشاورزی پیدا کردند. به‌کاربردن رویکرد شبکة عصبی مصنوعی یکی از این روش‌هاست. با توجه به وجود ایستگاه هواشناسی کشاورزی جیرفت و دردسترس‌بودن داده‌های ساعتی سرعت باد در این شهر، از اطلاعات این ایستگاه استفاده شد. سری زمانی استفاده‌شده در این تحقیق اطلاعات سرعت باد در بازة زمانی ساعتی شش ماه (آوریل تا سپتامبر) سال2010 بود که سرعت باد نسبت به سایر ماه‌های سال بیشتر بود. در این تحقیق از سه مدل با نورون‌های متفاوت با چهار لایه استفاده شد. نتایج نشان داد که مرحلة آزمون مدل با 20 نورون در هر لایه، به‌طور متوسط 134 ثانیه طول کشیده است. لذا این مدل در مقایسه با دیگر مدل‌ها، در مدت زمانی کوتاه‌تر مقادیر خروجی را به دست داد و سرعت اجرای بالاتری داشت. با توجه به مقایسة پارامترهای آماری در مرحلة آزمون، متوسط RMSE و MSE و EF (ضریب کارایی مدل)، به‌ترتیب، 1827/1 و 6947/0 و 9246/0 به‌‌دست آمد. مدل به‌کاررفته، نسبت به دو مدل دیگر، دقت بیشتر و کارایی بهتری در پیش‌بینی سرعت باد دارد و با دنیای واقعی مطابقت می‌کند. | ||
| کلیدواژه‌ها | ||
| پیش‌بینی؛ داده‌های ساعتی؛ سرعت باد؛ شبکة عصبی مصنوعی | ||
| عنوان مقاله [English] | ||
| Short Term Wind Speed Forecasting Using Artificial Neural Network (Case Study: Jiroft Synoptic Weather Station) | ||
| نویسندگان [English] | ||
| Bahram Bakhtiari1؛ Nozar Ghahreman2؛ Ishagh Rahimi3 | ||
| 1Assistant Professor Department of Water Engineering, College of Agriculture, Shahid Bahonar University of Kerman, Iran | ||
| 2Assistant Professor, Department of Irrigation and Reclamation Engineering, University of Tehran, Iran | ||
| 3Former Graduate Student, Department of Water Engineering, College of Agriculture, Shahid Bahonar University of Kerman, Iran | ||
| چکیده [English] | ||
| Wind speed is one of the major parameters required for an estimation of evapotranspiration and determination of crop water requirements. Hence, several models and methods have been developed for a prediction of this needed climatic variable. In recent years, by development of soft computing tools, such intelligent systems as Artificial Neural Network (ANN) approach have been widely employed in agrometeorological studies. In this study, three types of four layers ANN models of different number of neurons were generated and utilized for a prediction of wind speed, using hourly data of Jiroft Agrometeorological Station, during a 6 month period, April to September, 2010. During these months winds are of higher speeds than those during the rest of the year. Statistical indices of RMSE, ME and EF (Efficiency Factor) were utilized for comparisons and as well for models' evaluations. The results revealed that an ANN model with 20 neurons in each layer is of the most suitable performance in prediction of wind speed with the respective corresponding values of these indices as 1.1827, 0.6947 and 0.9246. | ||
| کلیدواژه‌ها [English] | ||
| Artificial Neural Network, hourly data, prediction, wind speed | ||
|
آمار تعداد مشاهده مقاله: 2,836 تعداد دریافت فایل اصل مقاله: 1,679 |
||