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

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.

هوش محاسباتی، شبکه عصبی مصنوعی پرسپترون چندلایه MLP، شبکه عصبی مصنوعی RBF، شبکه عصبی رگرسیونی تعمیم یافته GRNN، رگرسیون فرآیند گوسی .GPR