امید شهریاری - دانشجوی کارشناسی ارشد مهندسی منابع آب، بخش مهندسی آب، دانشکده کشاورزی و دانشگاه شهید باهنر کرمان
نسرین سیاری - استادیار بخش مهندسی آب، دانشکده کشاورزی دانشگاه شهید باهنر کرمان
بهرام بختیاری - دانشیار بخش مهندسی آب، دانشکده مهندسی دانشگاه شهید باهنر کرمان
کورش قادری - دانشیار بخش مهندسی آب، دانشکده کشاورزی دانشگاه شهید باهنر کرمان

سرعت باد یکی از متغیرهای بسیارمهم هواشناسی است که محاسبه و پیش بینی آن در برآورد تبخیر تعرق و تعیین نیاز آبی گیاهان نقش بسیار مهمی دارد. در این پژوهش به بررسی دقت شبکه عصبی مصنوعی در برآورد سرعت باد در مقایسه با روش ریز مقیاس نمایی آماری SDSM در دو ایستگاه زاهدان و کرمان پرداخته شده است. براساس پیش بینی اثر تغییر اقلیم بر داده های سرعت باد ماهانه مشخص شد که در ایستگاه کرمان و دوره اول تحا سناریوی RCP4.5 همه ماه ها به جز ماه می با کاهش سرعت باد مواجه خواهند شد. این در حالیست که در همین دوره و در سناریوی RCP8.5 همه ماه ها به جز آوریل و می کاهش سرعت باد را تجربه خوهند کرد. همچنین پیش بینی شد که در دوره زمانی آینده دورتحت هر دوسناریو سرعت باد در ماه های می و اکتبر افزایش خواهند یافت. همچنین در ایستگاه زاهدان تحت سناریوی RCP4.5 سرعت باد درماه های ژانویه، فوریه، مارس ، ژئوئن و اکتبر و در سناریوی RCP8.5 درماه های آوریل، سپتامبر، نوامبر و دسامبر و در سناریوی RCP8.5 ماه های آوریل، اکتبر، نوامبر و دسامبر سرعت باد کاهش خواهد یافت. در پایان نتایج حاصل از مدل SDSM و شبکه های عصبی GRNN و MLP مورد مقایسه قرار گرفته و نشان داده شد که مقادیر سرعت باد حاصل از روش GRNN به مقادیر سرعت باد حاصل از مدل SDSM نزدیک تر بوده و روش MLP دارای بیش برآورد است.

پیش بینی سرعت باد، شبکه عصبی مصنوعی، تغییر اقلیم CanESM2، ریزمقیاس نمایی RCP