{
    "metadata": {
        "dataset_id": "shahroodut-thesis",
        "record_id": "TA393",
        "title": "پیش بینی سرعت و جهت باد با استفاده از خروجی مدل های عددی هواشناسی",
        "publisher": "دانشگاه صنعتی شاهرود",
        "owner": "کتابخانه مرکزی دانشگاه صنعتی شاهرود",
        "license": "CC-BY-4.0",
        "license_url": "https://creativecommons.org/licenses/by/4.0/",
        "license_text": "استفاده، بازنشر، تحلیل، پردازش و بهره برداری پژوهشی، آموزشی و صنعتی با ذکر منبع دانشگاه صنعتی شاهرود مجاز است.",
        "publication_date": "1396",
        "last_update": "2026-07-11",
        "language": "fa",
        "format": "application/json",
        "contact": "thesis@shahroodut.ac.ir",
        "access": {
            "fulltext_available": "true",
            "public_access": "true"
        }
    },
    "data": {
        "thesis_id": "TA393",
        "title": "پیش بینی سرعت و جهت باد با استفاده از خروجی مدل های عددی هواشناسی",
        "degree": null,
        "faculty": "مهندسی عمران",
        "year": 1396,
        "authors": [
            {
                "name": "سیده فروزان خاکزاد",
                "role": "پدیدآور اصلی"
            },
            {
                "name": "Saeed Golian گلیان",
                "role": "استاد راهنما"
            },
            {
                "name": "محمد علمی",
                "role": "استاد مشاور"
            }
        ],
        "keywords": [
            "پیش بینی",
            "سرعت باد",
            "جهت باد",
            "روزانه",
            "شبکه عصبی مصنوعی",
            "بگینگ",
            "GFS"
        ],
        "abstract": "باد یکی از عناصر اصلی در اقلیم هر منطقه است که تغییرات آن می تواند بر پدیده هایی مانند طوفان های گرد و غباری و شدت تبخیر و تعرق تاثیرگذار باشد. پیش بینی رفتار باد به علت ماهیت تصادفی آن، بسیار چالش برانگیز است و به شرایط آب و هوایی و عوامل منطقه بستگی دارد. علاوه بر روش های فیزیکی و آماری سنتی، در سال های اخیر جهت دستیابی به پیش بینی های با قطعیت بالا برخی روش های پیشرفته بر اساس هوش مصنوعی مورد بررسی قرار گرفته اند.\r\nدر این تحقیق، به منظور پیش بینی سرعت و جهت باد روزانه در یک ساعت مشخص، چندین مدل توسعه داده شد. سه نوع شبکه عصبی مصنوعی که عبارتند از شبکه عصبی مصنوعی NARX، شبکه عصبی مصنوعی پرسپترون چند لایه (MLP) و شبکه عصبی مصنوعی پرسپترون چند لایه با نمونه گیری بگینگ جهت پیش-بینی یک گام بعد با استفاده از داده های پیشین ساخته شد. تمامی مدل ها توسط داده های سرعت باد مدل سیستم پیش بینی جهانی (GFS) و برخی پارامتر های هواشناسی واقعی (جهت باد، فشار هوا، دمای هوا، رطوبت نسبی و میزان بارش) گرد آوری شده در یک دوره آماری حدودا دو ساله (اکتبر 2014- جولای 2016) در بندر ماهشهر آموزش داده شدند. بر اساس نتایج، شبکه عصبی مصنوعی پرسپترون چند لایه با نمونه گیری بگینگ نسبت به دو شبکه عصبی دیگر پاسخ بهینه تری ارائه کرد. در این تحقیق همچنین به بررسی تاثیر پارامتر های مختلف بر مدل های پیش بینی نیز پرداخته شد. در ساختار های ورودی مختلف پارامتر های فشار هوا و دمای هوا بیشترین تاثیر را در مدل های شبکه عصبی مصنوعی در منطقه بندر ماهشهر داشتند.",
        "repository": "کتابخانه مرکزی دانشگاه صنعتی شاهرود",
        "note": "حقوق مادی و معنوی متعلق به دانشگاه صنعتی شاهرود می باشد.",
        "download_url": "https://shahroodut.ac.ir/fa/thesis/files/somefiles/sf_TA393.pdf"
    },
    "dictionary": {
        "thesis_id": "شناسه پایان نامه",
        "title": "عنوان پایان نامه",
        "degree": "مقطع تحصیلی",
        "faculty": "دانشکده",
        "year": "سال دفاع",
        "authors": "پدیدآورندگان",
        "keywords": "کلیدواژه ها",
        "abstract": "چکیده",
        "repository": "محل نگهداری",
        "note": "یادداشت",
        "download_url": "آدرس فایل پایان نامه"
    }
}