مقایسه مدل هیبریدی svr-acor-holt-winters و مدل gep بهینه‌شده با الگوریتم وال به‌منظور پیش‌بینی طوفان‌های گردوغبار، مطالعه موردی: استان خوزستان

استان خوزستان به‌عنوان یکی از کانون‌های اصلی طوفان‌های گردوغبار در ایران به دلیل شرایط جغرافیایی خاص خود، همواره با چالش‌های جدی در زمینه سلامت عمومی و پایداری محیط‌زیستی مواجه است. در این پژوهش، به ارائه یک هیبریدی svr-acor-holt-winters به‌منظور مدل‌سازی طوفان‌های گردوغبار در استان خوزستان، در طول دوره آماری 50 ساله (2020- 1971) پرداخته‌شده است. نتایج نشان داد که مدل svr-acor-holt-winters با ریشه میانگین‌مربعات خطا (0.317 - 0.293 =rmse)، ضریب همبستگی (0.849 - 0.873 =r)، میانگین قدرمطلق خطا (0.275- 0.293 =mae)، با اختلاف محسوسی، نسبت به مدل‌های انفرادی و مدل‌های دوگانه بررسی‌شده، به‌عنوان مدل برتر انتخاب‌شده است. ایستگاه آبادان با بیشترین فراوانی روزهای گردوغباری دقت بالاتری را در پیش‌بینی طوفان‌های گردوغبار در استان نشان داد که دلیل آن را می‌توان در ارتباط متغیرهای اقلیمی همچون دمای حدی و سرعت باد بر افزایش شاخص فراوانی روزهای همراه با این طوفان‌ها در خوزستان یافت. لذا می‌توان نتیجه گرفت مدل‌سازی طوفان‌های گردوغبار در مناطق بحرانی‌تر از دقت بیشتری برخوردار است. نتایج این مطالعه می‌تواند در مدل‌سازی پدیده گردوغبار و طراحی سیستم‌های هشدار طوفان‌های گردوغبار و کاهش خسارات ناشی از این پدیده، به کار گرفته شود. کاربرد این مدل در سایر مناطق دارای شرایط اقلیمی مشابه نیز می‌تواند موردبررسی قرار گیرد تا امکان تعمیم‌پذیری و اثربخشی آن در پیش‌بینی طوفان‌های گردوغبار در سطح ملی و منطقه‌ای ارزیابی شود.

a comparative analysis of the hybrid svr-acor-holt-winters model and the whale-optimized gep model for dust storm prediction: a case study of khuzestan province

khuzestan province, as one of the main dust storm hotspots in iran, is consistently confronted with serious challenges to public health and environmental sustainability due to its unique geographical characteristics. this study introduces a hybrid svr-acor-holt-winters model to simulate dust storms in khuzestan over a 50-year statistical period (1971–2020). the results reveal that the svr-acor-holt-winters model outperforms the individual and dual hybrid models evaluated, achieving superior performance metrics, including a root mean square error (rmse) between 0.293 and 0.317, a correlation coefficient (r) ranging from 0.849 to 0.873, and a mean absolute error (mae) between 0.275 and 0.293. among all evaluated stations, abadan demonstrated the highest prediction accuracy, which can be attributed to the influence of climatic variables such as extreme temperature and wind speed on increasing the frequency index of dust storm days in khuzestan. these findings suggest that dust storm modeling yields higher accuracy in critical regions with greater dust event intensity. the outcomes of this research can be effectively utilized for dust storm modeling and the design of early warning systems, contributing to the mitigation of damages caused by such hazardous environmental phenomen.