بررسی مدل‌های هیبریدی جنکینز کاتالیزور sarima acor و sarima pso به‌منظور مدل‌سازی طوفان‌های گرد و غبار (مطالعه موردی: استان خوزستان)

این مطالعه با هدف مدل‌سازی طوفان‌های گرد و غبار با استفاده از مدل‌های هیبریدی جنکینز کاتالیزور sarima acor و sarima pso در استان خوزستان انجام شده است. بدین منظور از داده‌های ساعتی گرد و غبار و کد‌های سازمان جهانی هواشناسی در هفت ایستگاه سینوپتیک استان خوزستان در طول دوره آماری 40 ساله استفاده شده است. به‌منظور ارزیابی دقیق‌تر و کاش خطاهای ممکن، در این پژوهش از ترکیب کاتالیزور (الگوریتم‌های بهینه‌سازی) کلونی مورچگان (acor) و ازدحام ذرات (pso) با مدل باکس جنکینز sarima استفاده شده است. در واقع از کاتالیزور‌ها به‌منظور آموزش‌مدل‌ها، انتخاب بهترین مقادیر برای پارامترها، تشخیص الگو و خوشه‌بندی، یادگیری تقویتی، پردازش تصویر، طراحی سیستم‌های هوشمند و بهینه‌سازی مدل‌های مولد استفاده می‌شود. به‌منظور انتخاب و تعیین بهترین مدل، معیار‌های نیکویی برازش شامل r، rmse، mae و ns مورد استفاده قرار گرفته‌اند. نتایج پژوهش حاکی از عملکرد بهتر مدل هیبریدی جنکینز کاتالیزور sarima acor با اختلاف، نسبت به مدل هیبریدی sarima pso و همچنین مدل انفرادی sarima بود. در این بین نیز، ترکیب‌های فصلی یک و دو بیشترین عملکرد و دقت را نسبت به سایر ترکیب‌های فصلی داشتند. مدل بهتر مدل هیبریدی جنکینز کاتالیزور sarima acor با با ریشه میانگین مربعات خطا (rmse=0/219 0/198 )، ضریب همبستگی (r=0/891 0/859 )، میانگین قدرمطلق خطا (mae=0/142 0/123 ) و ضریب نش ساتکلیف (ns=0/881 0/862 ) بهترین عملکرد را نسبت به سایر مدل‌های استفاده‌شده برای پیش‌بینی شاخص fdsd نمایش داده است.

assessment of hybrid jenkins catalyst sarima acor and sarima pso models for dust storm modeling (case study: khuzestan province)

this study aims to model dust storms in khuzestan province using hybrid jenkins catalyst sarima acor and sarima pso models. for this purpose, hourly dust data and codes from the world meteorological organization (wmo) were used from seven synoptic stations across khuzestan over a 40 year period. to enhance accuracy and minimize potential errors, this research employs the integration of optimization algorithms, namely ant colony optimization (acor) and particle swarm optimization (pso), with the box jenkins sarima model. the optimization algorithms are used for model training, parameter selection, pattern recognition, clustering, reinforcement learning, image processing, intelligent system design, and optimizing generative models. to determine the best fitting model, the goodness of fit criteria, including r, rmse, mae, and ns, were applied. the results indicate that the hybrid sarima acor model outperforms both the sarima pso hybrid model and the standalone sarima model. among the seasonal combinations tested, combinations one and two demonstrated the highest performance and accuracy. the sarima acor hybrid model showed superior performance in predicting the fdsd index, with root mean square error (rmse = 0.219–0.198), correlation coefficient (r = 0.891–0.859), mean absolute error (mae = 0.142–0.123), and nash sutcliffe efficiency (ns = 0.881–0.862) compared to the other models.