مقایسه کارایی شبکه‌های عصبی آماری، فازی و پرسپترونی در پیش‌بینی طوفان‌های گردوغبار در نواحی بحرانی کشور

مناطق مختلف، استعدادهای متفاوتی در انتشار گردوغبار دارند و افزایش طوفان‌های گردوغبار نشان‌دهنده حاکمیت اکوسیستم بیابانی در هر منطقه است. درک صحیح وقوع طوفان‌های گردوغبار در هر منطقه، به مدیریت و کاهش خسارت‌های حاصل از گردوغبار کمک شایانی می‌کند. هدف از این تحقیق پیش‌بینی فراوانی روزهای همراه با طوفان‌های گردوغبار (fdsd) در مقیاس زمانی فصلی است. بدین منظور، با استفاده از داده‌های سینوپ ساعتی و کدهای گردوغبار سازمان جهانی هواشناسی، روز‌های همراه با طوفان های گردوغبار در شش ایستگاه همدید زابل، آبادان، اهواز، زاهدان، بستان و مسجدسلیمان با طول دوره آماری 25 ساله (2014-1990) تعیین شد. پس از محاسبه فراوانی تعداد روزهای همراه با طوفان های گردوغبار و تشکیل سری‌های زمانی فصلی، با استفاده از چهار روش هوش مصنوعی شامل شبکه عصبی پرسپترونی چندلایه (mlp)، سیستم استنباط عصبیفازی تطبیقی (anfis)، شبکه عصبی مبتنی بر توابع پایه شعاعی (rbf) و شبکه عصبی رگرسیون تعمیم‌یافته (grnn) اقدام به پیش‌بینی فراوانی روزهای همراه با طوفان‌های گردوغبار در یک فصل بعد شد. نتایج حاکی از افزایش دقت پیش‌بینی‌ها در فصول همراه با تعداد بیشتر روزهای همراه با طوفان گردوغبار بود؛ به نحوی که بر اساس نتایج حاصل از مدل mlp، ضریب همبستگی بین مقادیر مشاهداتی و پیش‌بینی‌شده فراوانی روزهای همراه با طوفان گردوغبار برای ایستگاه مسجدسلیمان و زابل به ترتیب 0.8 و 0.97 بوده است. با این توضیح که زابل بیشترین فراوانی را در بین این ایستگاه‌ها دارد. همچنین با توجه به نتیجه مدل‌های anfis، rbf و grnn به ترتیب ضریب همبستگی محاسبه‌شده برای پیش‌بینی در ایستگاه‌های مسجدسلیمان و زابل از 0.41 تا 0.95، 0.35 تا 0.92 و 0.22 تا 0.98 متغیر بود. در مجموع با مقایسه نتیجه مدل‌های مورد استفاده، anfis بهترین عملکرد و بعد از آن grnn بهترین نتیجه را ارائه نموده است. نتایج این مطالعه می‌تواند در مدیریت پیامدهای ناشی از طوفان گردوغبار و برنامه‌های مقابله با بیابان‌زایی در مناطق تحت مطالعه مفید باشد.

Performance Comparison of Statistical, Fuzzy and Perceptron Neural Network Models in Forecasting Dust Storms in Critical Regions in Iran

Different regions have different potentials in dust release, and the increase in dust storms indicates the dominance of the desert ecosystem in each region. Prediction of the occurrence of dust storms in critical regions allow desionmakers to efficiently manage and to mitigate its probable damages to landscape. This study aims to predict the frequency of dust storm days (FDSD) over two critical regions (west and southeast) in Iran on a seasonal  scale. To this end, the hourly dust data and World Meteorological Organization codes were gathered in six synoptic stations of Zabol and Zahedan (southeast Iran), Abadan, Ahvaz, Bostan, and Masjed Soleiman (west Iran) covering the statistical period of 25 years (19902014). After calculating the frequency of dust storm days, using four artificial intelligence methods including multilayer perceptron (MLP), adaptive neurofuzzy inference system (ANFIS), radial basis function (RBF), and general regression neural network (GRNN), the frequency of dust storm days for the next season were predicted. The results showed an increase in the accuracy of the predictions with increasing the number of dust storm days in such a way that based on the results obtained from the MLP model, the correlation coefficient between the observed and predicted values ​​of the frequency of dust storm days for Masjed Soleiman and Zabol stations were 0.8 and 0.97, respectively; explaining that Zabol have the highest frequency among these stations. Also, according to the results of ANFIS, RBF, and GRNN models, the correlation coefficient calculated for prediction in Masjed Soleiman and Zabol stations varied from 0.41 to 0.95, 0.35 to 0.92 and 0.22 to 0.98, respectively. Overall, by comparing the results of the proposed models, ANFIS had the best performance which was followed by GRNN. The results of this study can be useful in managing the issues caused by dust storms and in the combating plans to desertification in the study regions.