مسعود پورغلام آمیجی؛ محمد انصاری قوجقار؛ خالد احمدالی
چکیده
در این پژوهش برای پیشبینی طوفان‌های گردوغبار، داده‌های ساعتی گردوغبار و داده‌های ماهانه دمای بیشینه، کمینه، میانگین، سرعت بیشینه باد و مجموع بارش در سه ایستگاه سینوپتیک آبادان، اهواز و بستان با طول دوره آماری 25 ساله (2014-1990) گردآوری شد. برای بررسی تأثیرپذیری طوفان‌های گردوغبار از نوسانات اقلیمی علاوه بر متغیرهای مذکور، شاخص خشک‌سالی ...
بیشتر
در این پژوهش برای پیشبینی طوفان‌های گردوغبار، داده‌های ساعتی گردوغبار و داده‌های ماهانه دمای بیشینه، کمینه، میانگین، سرعت بیشینه باد و مجموع بارش در سه ایستگاه سینوپتیک آبادان، اهواز و بستان با طول دوره آماری 25 ساله (2014-1990) گردآوری شد. برای بررسی تأثیرپذیری طوفان‌های گردوغبار از نوسانات اقلیمی علاوه بر متغیرهای مذکور، شاخص خشک‌سالی استانداردشده بارش-تبخیر و تعرق (SPEI) نیز در پنجره زمانی فصلی محاسبه گردید. پیشبینی تعداد روزهای همراه با طوفان‌های گردوغبار در مقیاس فصلی با استفاده از چهار روش هوش مصنوعی شامل MLP، ANFIS، RBF و GRNN انجام شد که در قالب سه آزمایش شامل بررسی تأثیر افزودن ویژگی‌های کمکی بر روی پیشبینی، بررسی تأثیر تعداد فصل‌های گذشته در پیشبینی و بررسی بهترین تکنیک از بین مدل‌های استفاده‌شده مورد ارزیابی قرار گرفت. نتایج نشان داد که در تمامی ایستگاه‌ها، استفاده از همه ویژگی‌ها باعث بهبود پیشبینی گردوغبارشده است و مقدار شاخص میانگین قدر مطلق خطا (MAE) برای ایستگاه‌های آبادان، اهواز و بستان به ترتیب برابر با 1/15، 1/66 و 0/66 به دست آمد که همگی مربوط به فصل پاییز بودند. همچنین نتایج نشان داد که در ایستگاه بستان، با فرض ثابت بودن داده‌های چهار فصل گذشته و استفاده از تمام ویژگی‌های ورودی، مدل ANFIS باعث می‌شود که خطای پیشبینی کمتر شده و نتیجه بهتری حاصل شود. در ایستگاه آبادان استفاده از مدل MLP چنین نتیجه‌ای را به دست می‌دهد. ضمن اینکه در ایستگاه اهواز مدل RBF بهترین مدل شناخته شد.
