ارزيابي كارايي مدل هيبريدي GRU-LSTM در پيش بيني طوفان هاي گرد و غبار (مطالعه موردي: استان خوزستان)

درك صحيح از وقوع طوفان‌هاي گرد و غبار در هر منطقه و آگاهي از تغييرات زماني-مكاني اين پديده به مديريت و كاهش خسارت‌هاي ناشي از گرد و غبار كمك شاياني مي‌كند. در سال‌هاي اخير، توسعه فرامدل‌ها و تركيب آن‌ها با الگوريتم‌هاي بهينه‌سازي به منظور مدل‌سازي و پيش‌بيني متغيرهاي آب و هوايي، مورد توجه زيادي قرار گرفته‌ است. از اين رو در مطالعه حاضر، نوعي رويكرد تركيبي به منظور پيش‌بيني فراواني روزهاي همراه با طوفان گرد و غبار (FDSD) در مقياس فصلي پيشنهاد شده كه در آن از تركيب شبكه‌هاي عصبي LSTM و GRU استفاده مي‌شود. در اين پژوهش، عملكرد مدل هيبريدي پيشنهادي با شبكه عصبي مبتني بر توابع پايه شعاعي (RBF) و ماشين بردار پشتيبان (SVM) مورد مقايسه قرار گرفته است. بدين منظور، از داده‌هاي ساعتي گرد و غبار و كدهاي سازمان جهاني هواشناسي در مقياس فصلي با طول دوره آماري ۳۰ ساله (2019-1990) در هفت ايستگاه سينوپتيك استان خوزستان استفاده شد. نتايج معيارهاي ارزيابي در مرحله آموزش و آزمايش مدل‌ها نشان داد كه مدل هيبريدي GRU-LSTM عملكرد بهتري نسبت به ساير مدل‌هاي مورد استفاده به منظور پيش‌بيني فراواني روزهاي همراه با طوفان گرد و غبار ارائه مي نمايد؛ به طوري كه مدل هيبريدي پيشنهادي با ضريب همبستگي (0/905-0/988=R)، ريشه ميانگين مربعات خطا (RMSE=0/313-0/402 day)، ميانگين قدر مطلق خطا (MAE= 0/144-0/236 day) و ضريب نش‌-ساتكليف (0/819-0/903=NS)، عملكرد بهتري نسبت به ساير مدل‌هاي مورد استفاده در پيش‌بيني شاخص FDSD داشته است. در مجموع با مقايسه مدل‌هاي مورد استفاده، روش هيبريدي GRU-LSTM بهترين عملكرد و بعد از آن مدل SVM بهترين نتيجه را ارائه نمود. لذا مدل هيبريدي پيشنهادي مي تواند به عنوان ابزاري مناسب جهت پيش بيني شاخص FDSD و به تبع آن اتخاذ تصميمات مديريتي به منظور كاهش خسارات طوفان هاي گرد و غبار، در منطقه مطالعاتي مورد استفاده قرار گيرد.