بررسی عملکرد مدل هیبریدی ماشین بردار پشتیبان موجک درپیش‌بینی توفان‌های گردوغبار (مطالعۀ موردی: استان سیستان و بلوچستان)

به‌منظور کنترل و مدیریت صحیح توفان‌های گردوغبار، آگاهی از تغییرات زمانی این پدیده و لزوم پیش‌بینی و مدل‌سازی آن ضروری است. در این پژوهش به‌منظور پیش‌بینی متغیر فراوانی روزهای همراه با توفان گردوغبار (fdsd)، نتایج دو روش هیبریدی با نام ماشین بردار پشتیبان موجک (wsvm) و ماشین بردار پشتیبان الگوریتم گیاهان مصنوعی (afsvm) به‌همراه مدل انفرادی ماشین بردار پشتیبان (svm)، مقایسه شد. بدین منظور از داده‌های ساعتی گردوغبار و کدهای سازمان جهانی هواشناسی در مقیاس فصلی با طول دورۀ آماری چهل‌ساله (20181980) در پنج ایستگاه سینوپتیک منتخب استان سیستان و بلوچستان استفاده شد. معیارهای ضریب تبیین، ریشۀ میانگین مربعات خطا، میانگین قدرمطلق خطا و ضریب نش‌ساتکلیف برای ارزیابی و مقایسۀ مدل‌ها، استفاده شد. نتایج در مرحلۀ آموزش و آزمایش نشان داد که ساختارهای ترکیبی استفاده‌شده، نتایج قابل قبولی در مدل‌سازی شاخص fdsd ارائه می‌کنند. مدل هیبریدی ماشین بردار پشتیبان موجک با ضریب همبستگی (984/0911/0r2=)، ریشۀ میانگین مربعات خطا (day 314/0397/0rmse=)، میانگین قدر مطلق خطا (day 335/0236/0mae=) و ضریب نش‌ساتکلیف (965/0924/0ns=)، عملکرد بهتری نسبت به دیگر مدل‌های استفاده‌شده در پیش‌بینی شاخص fdsd داشته است. نتایج این تحقیق می‌تواند در مدیریت پیامدهای ناشی از توفان‌های گردوغبار و برنامه‌های مقابله با بیابان‌زایی در مناطق تحت مطالعه موثر واقع شود.

Evaluation of the performance of the supportwavelet vector machine hybrid model in predicting dust storms (Case study: Sistan and Baluchestan province)

The increasing incidence of dust storms indicates the dominance of desert ecosystems in each region. Therefore, in order to properly control and manage dust storms, it is necessary to be aware of the temporalspatial changes of this phenomenon and the need to predict and model it. In this study, in order to predict the variable frequency of days with dust storm (FDSD), the results of two hybrid methods under the titles of support vectorwavelet (WSVM) and support vectorartificial plant algorithm (AF) (SVM) was compared with the individual support vector machine (SVM) model. For this purpose, hourly dust data and codes of the World Meteorological Organization were used on a quarterly scale with a statistical period of 40 years (20181980) in five selected synoptic stations of Sistan and Baluchestan province. Explanation coefficient, root mean square error, mean absolute error value and task strain coefficient were used to evaluate and compare the models. The results of goodnessoffit indices in the training and testing phase showed that the hybrid structures used provide acceptable results in modeling the FDSD index. Supportwavelet car vector hybrid model with correlation coefficient (R2 = 0.9110.984), root mean square error (RMSE=0.3140.397), mean absolute error value (MAE=0.2360.335) And clutch saturation coefficient (NS = 0.9270.965), had better performance than other models used in predicting the FDSD index. The results of this study can be effective in managing the consequences of dust storms and desertification programs in the study areas.