کاربست فرامدل هیبریدی سه‌گانۀ rbf- ga- sarima در مدل‌سازی توفان‌های گردوغبار (مطالعۀ موردی: استان سیستان و بلوچستان)

در این پژوهش عملکرد فرامدل هیبریدی سه‌گانۀ rbf- ga- saarima برای پیش‌بینی فراوانی روزهای همراه با توفان گردوغبار در استان سیستان و بلوچستان در طول دورۀ آماری 50‌ساله (2020- 1971) بررسی شد. در گام بعدی، نتایج مدل‌سازی با این فرامدل هیبریدی سه‌گانه با استفاده از شاخص‌های نیکویی برازش، با مدل‌های انفرادی sarima و rbf و مدل‌های هیبریدی دوگانۀ sarima- ga،  rbf- ga و rbf- sarima مقایسه شد. همۀ مدل‌های بیان‌شده در هر پنج ایستگاه، در ترکیب فصلی چهارم حداکثر دقت و عملکرد خود را نشان دادند. با به‌کارگیری یک و دو فصل قبل به‌جای فصول قدیمی‌تر، کاهش دقت و افزایش خطای نسبی در پیش‌بینی شاخص fdsd در استان سیستان و بلوچستان، به چشم می‌خورد. به‌عبارت دیگر، ترسیب ذرات شن و گرد‌وغبار از فصل‌های پیشین و سپس انتقال آنها با استفاده از اهرمی قدرتمند مانند باد، سبب رخداد این توفان‌ها در فصل‌های آتی می‌شود. از میان مدل‌های بررسی‌شده، فرامدل هیبریدی سه‌گانۀ پیشنهادی با بیشترین دقت و کارایی، بهترین روش به‌منظور پیش‌بینی شاخص فراوانی روزهای همراه با توفان گردوغبار انتخاب شد. مدل هیبریدی دوگانۀ rbf- sarima نیز با کمترین مقدار r و بیشترین rmse، کمترین بازدهی را در پیش‌بینی این شاخص داشت. می‌توان نتیجه گرفت که تلفیق مدل‌های انفرادی لزوماً به‌معنای افزایش دقت در مدل‌سازی متغیرهای اقلیمی نیست.

implementation of the tri-hybrid rbf-ga-sarima meta-model for dust storm modeling (case study: sistan and baluchestan province)

this study evaluates the performance of the tri-hybrid rbf-ga-sarima meta-model in forecasting the frequency of dust storm days in sistan and baluchestan province over a 50-year statistical period (1971–2020). the results obtained from this model were compared, using goodness-of-fit metrics, with those from individual models (sarima and rbf) and dual hybrid models (sarima-ga, rbf-ga, and rbf-sarima). all models demonstrated their peak accuracy and performance across all five stations during the fourth seasonal combination. however, substituting older seasonal data with one or two preceding seasons reduced accuracy and increased relative error in forecasting the fdsd index for the province. this phenomenon is attributed to the deposition of sand and dust particles during earlier seasons, followed by their subsequent mobilization by strong winds, triggering storms in later seasons. among the evaluated models, the proposed hybrid tri-model exhibited superior accuracy and efficiency, emerging as the most effective approach for predicting the frequency of dust storm days. in contrast, the rbf-sarima dual hybrid model displayed the weakest performance, characterized by the lowest r-value and highest rmse. these findings underscore that the integration of individual models does not inherently enhance the precision of climatic variable modeling.