بررسي گرد و غبار و ارزيابي امكان پيش بيني آن بر اساس روش‌هاي آماري و مدل ANFIS در ايستگاه زابل

Study the Dust and Evaluation of its Possibility Prediction Based on Statistical Methods and ANFIS Model in Zabol University

پديده ي گرد و غبار يكي از زيان‌بارترين بلاياي طبيعي است كه مشكلات محيطي عديده اي را در مناطق مختلف جهان به وجود مي آورد. در ايران، منطقه ي زابل به شدت تحت تاثير اين پديده قرار دارد. مطالعه ي حاضر، با هدف شناخت ويژگي هاي زماني و بررسي امكان پيش-بيني پديده ي گرد و غبار در ايستگاه زابل، به عنوان گردوغباري ترين ايستگاه كشور صورت گرفته است. در اين راستا ابتدا به تجزيه و تحليل ويژگي هاي آماري داده هاي مربوط به فراواني ماهانه، فصلي و سالانه ي روزهاي توام با گرد و غبار ايستگاه زابل با آمار 41 ساله پرداخته شد. از روش تجزيه ي روند سري هاي زماني براي تبيين نوسانات زماني عنصر مورد مطالعه استفاده شده و طبقه بندي ماهانه ي روزهاي توام با گرد و غبار با استفاده از روش آماري چند متغيّره ي تحليل خوشه اي انجام گرفت. پيش بيني گرد و غبار با استفاده از روش سيستم استنتاج فازي- عصبي تطبيقي يا انفيس (ANFIS) با اختصاص70 درصد داده ها به آموزش و30 درصد آن ها به تعيين اعتبار مدل انجام شد. نتايج نشان داد در طول دوره‌ي آماري مورد مطالعه‌ي ماه جولاي و آگوست گرد و غباري‌ترين ماه‌هاي سال مي‌باشند. بر اساس تحليل خوشه اي انجام شده، ماه هاي جولاي و آگوست با بيشترين روزهاي گرد و غباري در يك خوشه‌ي مجزا قرار گرفته اند. روند سري ماهانه، فصلي و سالانه ي گرد و غبار در اين ايستگاه، افزايشي مي باشد. نتايج پيش بيني گرد و غبار با مدل انفيس، نشان از قابليت بالاي آن در پيش بيني گرد و غبار در اين ايستگاه مي باشد. ساختار سيستم استنتاج فازي (FIS) تعيين شده با چهار تابع عضويت به شكل قوسي با روش آموزش هيبريد، با اطمينان حدود 93 درصد گرد و غبار ايستگاه زابل را پيش بيني مي كند.

Dust phenomenon is one of the most harmful natural disasters that causes major environmental impacts all over the world. In Iran, Zabol region is hardly affected by this kind of environmental disaster. Current study was made with the aim of identifying time characteristics and evaluation of dust prediction possibility in Zabol Station as the most dusty station in the country. In this regard, firstly, the statistical characteristic of the data related to frequency of monthly, seasonal and annual dusty days in Zabol station with statistics data of 41 years were studied and analyzed. Time series process analysis method has been used for definition of time fluctuations of the study element and monthly classification of the dusty days was made by using statistical multivariable cluster analysis method. Dust prediction has been done by the use of Adaptive Neuro Fuzzy Inference System (ANFIS) through allocating 70 percent of data to education and 30 percent of it to validity determination of the model. The results showed that August and July months are the dustiest months of the year during the statistical period. Based on the made cluster analysis, the months of July and August with the most dusty days have been placed in a separate cluster. The monthly, seasonal and yearly trend in this station is increasing. The prediction results of dust by ANFIS Method shows its high capability in dust prediction. Fuzzy Inference System (FIS) structure determined by four functions in arc form by hybrid training, method, predicts of dust with 93 percent reliability