پیش‌بینی وقوع طوفان‌های گرد و غبار با استفاده از ارزیابی دقت شبکه‌های عصبی مصنوعی در ایستگاه‌های منتخب نیمه غربی ایران

امروزه پدیده گرد و غبار در شمار مهم‌ترین مخاطرات طبیعی قرار گرفته و اثرات نامطلوبی بر سلامتی انسان، کشاورزی و محیط‌زیست برجای گذاشته است. هدف پژوهش حاضر پیش‌بینی فراوانی طوفان‌های گرد و غبار در 17 ایستگاه منتخب نیمه غربی ایران است. بدین منظور، برای محاسبه فراوانی از کدهای گرد و غبار و دید افقی کمتر از 1 کیلومتر دوره آماری 2023-1987 استفاده شد. سپس شبکه‌های عصبی توابع پایه شعاعی (rbf)، پرسپترون چندلایه (mlp)، سیستم استنتاج عصبی -فازی (anfis) و رگرسیون بردار پشتیبان (svr) جهت پیش‌بینی گرد و غبار انتخاب شد. داده‌های رطوبت، دما، بارش، سرعت و جهت باد به‌عنوان داده‌های ورودی و داده روزهای توام با گرد و غبار به‌عنوان هدف، در مدل‌سازی‌ها‌ به کار گرفته شد. داده‌ها به دو گروه تقسیم شدند. از 80 درصد داده‌ها برای آموزش و از 20 درصد دیگر برای آزمون شبکه استفاده شد. نتایج مقایسه مدل‌های مورد استفاده نشان داد که بر اساس نتایج حاصل از مدل rbf، بیشترین مقدار ضریب همبستگی در ایستگاه‌های کرمانشاه، رامهرمز و اسلام‌آبادغرب به ترتیب برابر با 99/ 0، 97/ 0 و 95/ 0 بوده است. در مجموع، این مدل به دلیل خطای کمتر و همبستگی بیشتر در ایستگاه‌ها بهترین عملکرد را ارائه نموده است؛ بنابراین به دلیل داشتن توانایی بالا، می‌تواند یک راهکار سریع در پیش‌بینی مقدار گرد و غبار و پراکنش آن باشد. نتایج خروجی مدل rbf برای پیش‌بینی گرد و غبار در آینده (2040-2024) نشان داد احتمال رخداد طوفان‌های گرد و غبار در آبادان و اهواز بیشتر بوده و همانند دوره مشاهداتی، الیگودرز را می‌توان جزو ایستگاه کم‌باد منطقه به‌ حساب آورد.

forecasting the occurrence of dust storms using the accuracy assessment of artificial neural networks in selected stations in the western half of iran

today, the phenomenon of dust is one of the most important natural hazards and has left adverse effects on human health, agriculture and the environment. the purpose of this research is to predict the frequency of dust storms in 17 selected stations in the western half of iran. for this purpose, dust codes and horizontal visibility of less than 1 km during the statistical period (1987-2023) were used to calculate the frequency. then radial basis functions (rbf), multilayer perceptron (mlp), fuzzy neural inference system (anfis) and support vector regression (svr) neural networks are used to predictdust and humidity, temperature, precipitation, wind speed anddirection data as input data and data of days with dust as a target were used in the modeling. the data were divided into two groups, 80% of the data were used for training and the other 20% were used for testing the network. the comparison results of the used models showed that the highest value of correlation coefficient in kermanshah, ramhormoz and eslamabad-e-gharb stations was 0.99, 0.97 and 0.95, respectively, based on the results of the rbf model. in general, this model has provided the best performance due to less error and more correlation in the stations; therefore, due to its high ability, it can be a quick solution in predicting the amount of dust and its distribution.the output results of the rbf model for dust forecasting in the future (2024-2040) showed that dust storms are more likely to occur in abadan and ahvaz and, like the observation period, aligudarz can be considered as a low-wind station in the region.