ارزیابی ترکیب مدل anfis با الگوریتم‌های فراکاوشی بهینه‌سازی در پیش‌بینی طوفان‌های گرد و غبار استان خوزستان

به منظور کنترل و مدیریت صحیح طوفان های گرد و غبار، آگاهی از تغییرات زمانی مکانی این پدیده و لزوم پیش بینی و مدل سازی آن با هدف شناخت دقیق تر رفتار طوفان های گرد و غبار نسبت به محرک های طبیعی و انسانی، امری ضروری است. با توجه به توسعه روز افزون فرامدل ها و ترکیب آن ها با الگوریتم های بهینه سازی به منظور مدل سازی و پیش بینی متغیرهای هواشناسی، در این پژوهش چهار الگوریتم بهینه سازی فراکاوشی ازدحام ذرات (pso)، ژنتیک (ga)، کلونی مورچگان در محیط های پیوسته (acor) و تکاملی تفاضلی (de) با مدل سیستم استنتاج تطبیقی فازی عصبی (anfis) ترکیب شد. عملکرد چهار مدل ترکیبی توسعه داده شده با مدل  anfisبرای پیش بینی متغیرهای فراوانی روزهای همراه با طوفان گرد و غبار (fdsd) در مقیاس فصلی در استان خوزستان در جنوب غربی ایران ارزیابی شد. بدین منظور از داده های ساعتی گرد و غبار و کدهای سازمان جهانی هواشناسی در مقیاس فصلی با طول دوره آماری 40 ساله (2019-1980) در هفت ایستگاه سینوپتیک استان خوزستان استفاده شد. نتایج شاخص های نیکویی برازش در مرحله آموزش و آزمایش نشان داد که اختلاف معنی داری بین روش anfis و سایر مدل های ترکیبی مورد استفاده وجود ندارد. مقادیر r و rmse برترین مدل ترکیبی (anfispso) به ترتیب از 0.88 تا 0.97 و 0.10 تا 0.19 و در مدل anfis به ترتیب از 0.83 تا 0.94 و 0.11 تا 0.21 متغیر بودند. همچنین نتایج نشان داد که ترکیب الگوریتم های بهینه سازی استفاده شده با مدل anfis نتایج مدل را نسبت به مدل انفرادی anfis به صورت معنی داری بهبود نمی بخشد.

Evaluation of the Combination of ANFIS Model with Metaheuristic Optimization Algorithms in Predicting Dust Storms of Khuzestan Province

Due to the growing development of metamodels and their combination with optimization algorithms for modeling and predicting meteorological variables, in this research four metaheuristic optimization algorithms of Particle Swarm Optimization (PSO), Genetics Algorithms (GA), Ant Colony Optimization for Continuous Domains (ACOR) and Differential Evolutionary (DE) were combined with the adaptive neuralfuzzy inference system (ANFIS) model. The performance of four combined models developed with ANFIS model to predict the Frequency variables of Dust Stormy Days (FDSD) on a seasonal scale in Khuzestan province in the southwest of Iran was evaluated. For this purpose, hourly dust data and codes of the Word Meteorological Organization were used on a seasonal scale with a statistical period of 40 years (19802019) in seven synoptic stations of Khuzestan province. The results of good fit indices in the training and testing phase showed that there is no significant difference between the ANFIS method and other combined models used. R and RMSE values of the best combined model (ANFISPSO) from 0.88 to 0.97 and 0.10 to 0.19, respectively, and in the ANFIS model from 0.83 to 0.94 and 0.11 to 21, respectively, were variable. The results also showed that the combination of optimization algorithms used with the ANFIS model does not significantly improve the results of the model compared to the individual ANFIS model.