پیش‌بینی طوفان‌های گردوغبار در استان خوزستان با استفاده از شبکه‌های عصبی مصنوعی

تغییرات اقلیمی و به دنبال آن وقوع وقایع حدی نظیر طوفان های گردوغبار علاوه بر اختلال در روند طبیعی زندگی حیات وحش و محیط زیست، تاثیر مستقیمی بر زندگ ی مردم داشته و در سال های اخیر بر بخش کشاورزی اثرات نامطلوبی بر جا ی گذاشته است. استان خوزستان، مثال بارز و روشنی از این پدیده است که ساکنان آن منطقه، با مشکلات متعددی به واسطه وقوع طوفان های گردوغبار مواجه هستند.در این پژوهش برای پیش‌بینی طوفان‌های گردوغبار، داده‌های ساعتی گردوغبار و داده‌های ماهانه دمای بیشینه، کمینه، میانگین، سرعت بیشینه باد و مجموع بارش در سه ایستگاه سینوپتیک آبادان، اهواز و بستان با طول دوره آماری 25 ساله (2014 1990) گردآوری شد. برای بررسی تاثیرپذیری طوفان‌های گردوغبار از نوسانات اقلیمی علاوه بر متغیرهای مذکور، شاخص خشک‌سالی استانداردشده بارش تبخیر و تعرق (spei) نیز در پنجره زمانی فصلی محاسبه گردید. پیش‌بینی تعداد روزهای همراه با طوفان‌های گردوغبار در مقیاس فصلی با استفاده از چهار روش هوش مصنوعی شامل mlp، anfis، rbf و grnn انجام شد که در قالب سه آزمایش شامل بررسی تاثیر افزودن ویژگی‌های کمکی بر روی پیش‌بینی، بررسی تاثیر تعداد فصل‌های گذشته در پیش‌‌بینی و بررسی بهترین تکنیک از بین مدل‌های استفاده‌شده مورد ارزیابی قرار گرفت. نتایج نشان داد که در تمامی ایستگاه‌ها، استفاده از همه ویژگی‌ها باعث بهبود پیش‌بینی گردوغبارشده است و مقدار شاخص میانگین قدر مطلق خطا (mae) برای ایستگاه‌های آبادان، اهواز و بستان به ترتیب برابر با 1/15، 1/66 و 0/66 به دست آمد که همگی مربوط به فصل پاییز بودند. همچنین نتایج نشان داد که در ایستگاه‌ بستان، با فرض ثابت بودن داده‌های چهار فصل گذشته و استفاده از تمام ویژگی‌های ورودی، مدل anfis باعث می‌شود که خطای پیش‌بینی کمتر شده و نتیجه بهتری حاصل شود. در ایستگاه آبادان استفاده از مدل mlp چنین نتیجه‌ای را به دست می‌دهد. ضمن اینکه در ایستگاه اهواز مدل rbf بهترین مدل شناخته شد.در یک جمع بندی کلی می توان گفت که مدل های به کار گرفته شده، منشا خارجی گردوغبار (فصل پاییز و زمستان) را بهتر از منبع داخلی آن (فصل بهار و تابستان) پیش بینی می کنند. نتایج این مطالعه می تواند در شناخت اثرات نوسانات اقلیمی بر فراوانی طوفان گردوغبار و مهار بیابان زایی ایران مفید باشد.

prediction of dust storms in khuzestan province using artificial neural networks

climate change and the subsequent occurrence of extreme events such as dust storms, in addition to disrupting the natural course of wildlife and the environment, have a direct impact on people's lives and in recent years have had adverse effects on the agricultural sector. khuzestan province is a clear example of this phenomenon that the inhabitants of that region are facing many problems due to the occurrence of dust storms. in this study to predict dust storms, hourly dust data, monthly data maximum, minimum, average temperature, maximum wind speed, and total precipitation in three synoptic stations of abadan, ahvaz, and bostan with statistics period for 25 years (1990 2014) were collected. to investigate the impact of dust storms from climatic fluctuations, in addition to the mentioned variables, the standardized precipitation evapotranspiration index (spei) was also calculated in the seasonal time window. predicting the number of days with seasonal dust storms using four artificial intelligence methods including multi layer perceptron (mlp), adaptive neuro fuzzy inference system (anfis), radial basis function (rbf), and generalized regression neural network (grnn) was performed. the results showed that in all stations, the use of all features has improved dust prediction and the value of the mean absolute error (mae) for abadan, ahvaz, and bostan stations is equal to 1.15, 1.66, and 0.66, respectively were obtained, all of which were related to the autumn season. in conclusion, it can be said that in bostan station, if all the features and data of the last four seasons are used, the anfis model as input causes the prediction error to be reduced and a better result to be obtained. in the abadan station, using the mlp model gives such a result. meanwhile, in ahvaz station, the rbf model was recognized as the best model. in a general summary, it can be said that the models used predict the external source of dust (autumn and winter) better than its internal source (spring and summer). the results of this study can be useful in understanding the effects of climate change on the frequency of dust storms and inhibition of desertification in iran.