ارزیابی کارایی الگوریتم ژنتیک و روش هیبریدی gasa در پیش‌بینی طوفان‌های گردوغبار (مطالعه موردی: استان خوزستان)

افزایش وقوع طوفان‌های گردوغبار در چند سال اخیر در جنوب غرب ایران به ویژه در استان خوزستان و به تبع آن کاهش کیفیت هوا در این مناطق، اهمیت پیش‌بینی و ارتباط این پدیده با نوسانات اقلیمی را دوچندان کرده است. هدف از این پژوهش بررسی کارایی روش‌های هیبریدی ژنتیکتبرید (gasa) و الگوریتم ژنتیک (ga) به منظور انتخاب متغیرهای ورودی بهینه در پیش‌بینی فراوانی روزهای همراه با طوفان گردوغبار (fdsd) است. بدین منظور از داده‌های ساعتی گردوغبار و کدهای سازمان هواشناسی و همچنین داده‌های اقلیمی شامل دمای حداکثر، دمای حداقل، دمای متوسط، مجموع بارش و سرعت بیشینه باد در مقیاس فصلی با طول دوره آماری 35 ساله (2018-1984) در هفت ایستگاه سینوپتیک استان خوزستان استفاده شد. در ادامه با در دست بودن سری زمانی شاخص fdsd و سایر متغیرهای اقلیمی، اقدام به مقایسه کارایی حالت‌های مختلف متغیرهای ورودی، به منظور پیش‌بینی فراوانی روزهای همراه با طوفان گردوغبار در فصل آینده شد. نتایج نشان داد که روش هیبریدی ژنتیکتبرید (gasa) در بین تمام حالت‌های انتخاب متغیرهای ورودی، بهترین عملکرد را داشت؛ به طوری که در این حالت معیارهای ارزیابی r، mae و rmse به ترتیب از 0.91، 0.29 و 0.44 تا 0.99، 0.13 و 0.17 در ایستگاه‌های مورد مطالعه متغیر بود. همچنین متوسط فراوانی روزهای همراه با طوفان گردوغبار در مقیاس فصلی در ایستگاه‌های مورد مطالعه به ترتیب صعودی از 1.68 تا 4.10 متغیر بود به طوری که با افزایش شاخص fdsd در ایستگاه مورد مطالعه، دقت پیش‌بینی تمام حالت‌ها افزایش داشت به نحوی که در حالت اول پیش‌بینی (صرفاً بر اساس شاخص fdsd)، ضریب همبستگی بین مقادیر مشاهداتی فراوانی روزهای همراه با طوفان گردوغبار و مقادیر محاسباتی آن از 0.87 به 0.95 افزایش یافت. برای حالت دوم (پیش‌بینی بر اساس فروانی روزهای همراه با طوفان گردوغبار و همه ویژگی‌های کمکی یعنی fdsd & ac)، حالت سوم (بر اساس بهینه‌سازی الگوریتم ژنتیک) و حالت چهارم (بر اساس روش هیبریدی ژنتیکتبرید) نیز ضریب همبستگی به ترتیب از 0.93 تا 0.94، 0.91 تا 0.97 و 0.94 تا 0.99 در ایستگاه‌های موردمطالعه متغیر بود. در مجموع با مقایسه حالت‌های مورد استفاده، روش هیبریدی ژنتیکتبرید (gasa) بهترین عملکرد و بعد از آن الگوریتم ژنتیک (ga) بهترین نتیجه را ارائه نمود. نتایج این مطالعه می‌تواند در مدیریت پیامدهای ناشی از طوفان گردوغبار و برنامه‌های مقابله با بیابان‌زایی در مناطق تحت مطالعه مفید باشد.

Performance Evaluation of Genetic Algorithm and GASA Hybrid Method in Forecasting Dust Storms (Case Study: Khuzestan Province)

The increase in dust storms occurrence in recent years in southwestern Iran, especially in Khuzestan province, and consequently the decrease in air quality in these areas, has doubled the importance of forecasting and linking this phenomenon with climate variations. The aim of this study was to investigate the efficiency of hybrid GeneticAnnealing (GASA) and Genetic Algorithm (GA) methods for selecting optimal input variables in forecasting the frequency of days with dust storm (FDSD). For this purpose, hourly dust data and meteorological organization codes, as well as climatic data including maximum temperature, minimum temperature, average temperature, total rainfall and maximum wind speed on a seasonal scale with a statistical period of 35 years (19842018) in seven synoptic stations in Khuzestan province were used. Then, by having a time series of FDSD index and other climatic variables, it was compared to the efficiency of different modes of input variables, in order to forecasting the frequency of days with dust storm in the next season. The results showed that the hybrid GeneticAnnealing method (GASA) had the best performance among all the modes of selecting the input variables; In this case, the evaluation criteria of R, MAE and RMSE varied from 0.91, 0.29, and 0.44 to 0.99, 0.13 and 0.17 in the studied stations, respectively. Also, the average frequency of days with dust storm on a seasonal scale in the studied stations varied from 1.68 to 4.10, respectively, so that with increasing FDSD index in the study station, the predictive accuracy of all modes increased so that in the first forecast state (based solely on the FDSD index), the correlation coefficient between the observational values of the days associated with dust storms and its computational values increased from 0.87 to 0.95. For the second case (forecast based on frequency of days with dust storm and all Auxiliary Characteristics, ie FDSD & AC), the third mode (based on the optimization of the Genetic Algorithm) and the fourth mode (based on the hybrid GeneticAnnealing method) the correlation coefficient also varied from 0.93 to 0.94, 0.91 to 0.97 and 0.94 to 0.99 in the studied stations, respectively. In general, by comparing the modes used, the hybrid GeneticAnnealing method (GASA) performed the best, followed by the Genetic Algorithm (GA). The results of this study can be useful in managing the consequences of dust storms and desertification programs in the study areas.