کاربرد شبکه عصبی‌مصنوعی و مدل همبستگی در پیش بینی پدیده گرد و غبار در کلانشهر اهواز

گرد و غبار یکی از پدیده های مخرب اقلیمی در استان های غربی است که سالاته خسارت فراوانی را به محیط زیست وارد می نماید که عواملی بسیاری در بوجود آمدن آن نقش دارند. هدف از انجام این پژوهش پیش بینی پدیده گرد و غبار شهر اهواز می باشد. در این پژوهش از داده های سینوپتیکی اهواز طی سال های (2010-2000) استفاده شده است. این داده ها شامل میانگین نقطه دمای شبنم(به سانتیگراد)، میانگین سرعت باد بر حسب نات(knots)، رطوبت نسبی بر حسب درصد میانگین و میانگین بارندگی ماهانه به عنوان ورودی و داده روزهای توام با گرد و غبار به عنوان هدف، به شبکه معرفی شدند. سپس، با استفاده از مدل سازی علّی، روابط میان متغیرها استخراج و در نهایت، مدل به وسیله شبکه عصبی و مدل رگرسیون گام به گام، آزمون شده است. نتایج، موید توانایی بیش از 74 درصد مدل بکار رفته، در پیش بینی پدیده گرد و غبار در شهر اهواز است. میزان رگرسیون حاصل از داده های گرد و غبار در یک ترکیب خطی با متغیرهای وارد شده در معادله برابر با 0.651 است. همچنین ضریب تعیین حاصل برابر با 0.424 و ضریب تعیین تعدیل یافته برابر با 0.410 گزارش شده است؛ یعنی در واقع حدود41 درصد از واریانس متغیر انجام گرد و غبار از طریق متغیرهای مستقل تبین و توجیه شده است.

Application of Artificial Neural Network and Regression Model to Predict the Phenomenon of Dust in the City of Ahvaz

Dust is one of the phenomena of destructive climate in the western provinces that causes great damage to the environment and many factors are involved in creating this problem. The aim of this study is to predict the phenomenon of dust in Ahvaz city.In this study, Ahvaz synoptic data during the years (20002010) have been used. These data include mean dew point (in degrees Celsius), mean wind speed in knots, relative humidity in terms of average percentage and average monthly rainfall as input, and data on dusty days as target. Networks were introduced. Then, using causal modeling, the relationships between the variables are extracted and finally, the model is tested by neural network and stepwise regression model. The results confirm the ability of more than 74% of the model used to predict the dust phenomenon in Ahvaz. The regression rate of dust data in a linear combination with the variables entered in the equation is equal to 0.651. Also, the resulting coefficient of determination is equal to 0.424 and the modified coefficient of determination is equal to 0.410; That is, in fact, about 41% of the variance of the dust variable is explained and justified through independent variables.