پديد آورندگان :
پورغلام آميجي، مسعود دانشگاه تهران - پرديس كشاورزي و منابع طبيعي - گروه مهندسي آبياري و آباداني، كرج، ايران , انصاري قوجقار، محمد دانشگاه تهران - پرديس كشاورزي و منابع طبيعي - گروه مهندسي آبياري و آباداني، كرج، ايران , احمدالي، خالد دانشگاه تهران - پرديس كشاورزي و منابع طبيعي - گروه احيا مناطق خشك و كوهستاني، كرج، ايران
كليدواژه :
پارامترهاي اقليمي , شبكه‌هاي عصبي , هوش مصنوعي , طوفان‌هاي گردوغبار , SPEI
چكيده فارسي :
در اين پژوهش براي پيشبيني طوفان‌هاي گردوغبار، داده‌هاي ساعتي گردوغبار و داده‌هاي ماهانه دماي بيشينه، كمينه، ميانگين، سرعت بيشينه باد و مجموع بارش در سه ايستگاه سينوپتيك آبادان، اهواز و بستان با طول دوره آماري 25 ساله (2014-1990) گردآوري شد. براي بررسي تأثيرپذيري طوفان‌هاي گردوغبار از نوسانات اقليمي علاوه بر متغيرهاي مذكور، شاخص خشك‌سالي استانداردشده بارش-تبخير و تعرق (SPEI) نيز در پنجره زماني فصلي محاسبه گرديد. پيشبيني تعداد روزهاي همراه با طوفان‌هاي گردوغبار در مقياس فصلي با استفاده از چهار روش هوش مصنوعي شامل MLP، ANFIS، RBF و GRNN انجام شد كه در قالب سه آزمايش شامل بررسي تأثير افزودن ويژگي‌هاي كمكي بر روي پيشبيني، بررسي تأثير تعداد فصل‌هاي گذشته در پيشبيني و بررسي بهترين تكنيك از بين مدل‌هاي استفاده‌شده مورد ارزيابي قرار گرفت. نتايج نشان داد كه در تمامي ايستگاه‌ها، استفاده از همه ويژگي‌ها باعث بهبود پيشبيني گردوغبارشده است و مقدار شاخص ميانگين قدر مطلق خطا (MAE) براي ايستگاه‌هاي آبادان، اهواز و بستان به ترتيب برابر با 1/15، 1/66 و 0/66 به دست آمد كه همگي مربوط به فصل پاييز بودند. همچنين نتايج نشان داد كه در ايستگاه بستان، با فرض ثابت بودن داده‌هاي چهار فصل گذشته و استفاده از تمام ويژگي‌هاي ورودي، مدل ANFIS باعث مي‌شود كه خطاي پيشبيني كمتر شده و نتيجه بهتري حاصل شود. در ايستگاه آبادان استفاده از مدل MLP چنين نتيجه‌اي را به دست مي‌دهد. ضمن اينكه در ايستگاه اهواز مدل RBF بهترين مدل شناخته شد.
چكيده لاتين :
. In this study to predict dust storms, hourly dust data and monthly data maximum, minimum, average temperature, maximum wind speed, and total precipitation in three synoptic stations of Abadan, Ahvaz, and Bostan with statistics period for 25 years (1990-2014) were collected. To investigate the impact of dust storms from climatic fluctuations, in addition to the mentioned variables, the Standardized Precipitation Evapotranspiration Index (SPEI) was also calculated in the seasonal time window. Predicting the number of days with seasonal dust storms using four artificial intelligence methods including MLP, ANFIS, RBF, and GRNN was performed. These were evaluated in the form of three experiments including the effect of adding auxiliary features on the prediction, the effect of the number of previous seasons on the prediction, and the best technique among the models used. The results showed that in all stations, the use of all features has improved dust prediction and the value of the Mean Absolute Error (MAE) for Abadan, Ahvaz, and Bostan stations is equal to 1.15, 1.66, and 0.66, respectively were obtained, all of which were related to the autumn season. In conclusion, it can be said that in Bostan station, if all the features and data of the last four seasons are used, the ANFIS model as input causes the prediction error to be reduced and a better result to be obtained. In the Abadan station, using the MLP model gives such a result.
