مدل‌سازی طوفان‌های گرد و غبار با استفاده از مدل هیبریدی سه‌گانه grnn- svm- lstm (مطالعه موردی: استان سیستان و بلوچستان)

هدف از این پژوهش مقایسه عملکرد فرامدل‌های انفرادی grnn و svm با مدل هیبریدی سه‌گانه grnn- svm- lstm به‌منظور پیش‌بینی فراوانی روزهای همراه با طوفان گرد و غبار در فصل‌ آتی می‌باشد. بدین منظور از داده‌های ساعتی گرد و غبار در هشت سینوپ و کدهای سازمان جهانی هواشناسی در پنج ایستگاه سینوپتیک استان سیستان و بلوچستان در طول دوره آماری 40 ساله (2020- 1980) استفاده شده است. معیارهای r، rmse، mae و ns به‌منظور ارزیابی و مقایسه مدل‌ها استفاده شدند. نتایج این پژوهش نشان داد که مدل هیبرید سه‌گانه پیشنهادی نسبت به سایر روش‌ها بیش‌ترین عملکرد را داشته است. همچنین بیش‌ترین دقت این مدل در ترکیبات فصلی 1 و 2 آن به‌منظور پیش‌بینی شاخص fdsd حاصل شده است. پس از آن، فرامدل انفرادی svm در رتبه‌بندی از لحاظ عملکرد قرار گرفت. این مدل نیز در ترکیبات یک و دو بهترین عملکرد را داشت. مدل شبکه عصبی رگرسیون تعمیم‌یافته نیز در ترکیبات 1 و 2 عملکرد نسبتاً بهتری را در مقایسه با ترکیب چهارم نمایش داده است. مدل هیبریدی سه‌گانه grnn- svm- lstm با ریشه میانگین مربعات خطا (0.501-0.523rmse= )، ضریب همبستگی ( 0.989- 0.999 r= )، میانگین قدرمطلق خطا (0.421- 0.441 =mae)و ضریب نش- ساتکلیف (0.893- 0.907= ns)بهترین عملکرد را نسبت به سایر مدل‌های استفاده‌شده برای پیش‌بینی شاخص fdsd نمایش داده است.

dust storm modeling using the triple hybrid model grnn-svm-lstm (case study: sistan and baluchestan province)

dust storms pose significant environmental and economic challenges, particularly in arid regions like sistan-baluchestan province, iran. this study aims to compare the performance of individual models (grnn and svm) with a triple hybrid model (grnn-svm-lstm) for forecasting the frequency of dust storm days (fdsd). using hourly dust data from eight synop codes of the world meteorological organization across five synoptic stations, spanning a 40-year period (1980–2020), the models were evaluated based on key performance metrics: correlation coefficient (r), root mean square error (rmse), mean absolute error (mae), and nash-sutcliffe efficiency (ns). the triple hybrid model outperformed all other approaches, achieving the highest predictive accuracy in seasonal combinations 1 and 2. the svm model ranked second, while the grnn model performed relatively better in combinations 1 and 2 compared to combination 4. overall, the grnn-svm-lstm model demonstrated superior predictive performance for fdsd, with rmse = 0.523–0.501, r = 0.999–0.989, mae = 0.441–0.421, and ns = 0.907–0.893. these findings highlight the potential of the proposed model for improving dust storm forecasting and developing early warning systems.