فهرست نشریات علمی دسترسی آزاد ایران

درک صحیح از وقوع طوفان‌های گرد و غبار در هر منطقه و آگاهی از تغییرات زمانی- مکانی این پدیده به مدیریت و کاهش خسارت‌های ناشی از گرد و غبار کمک شایانی می‌کند. در سال‌های اخیر، توسعه فرامدل‌ها و ترکیب آن‌ها با الگوریتم‌های بهینه‌سازی به منظور مدل‌سازی و پیش‌بینی متغیرهای آب و هوایی، مورد توجه زیادی قرار گرفته‌ است. از این رو در مطالعه حاضر، نوعی رویکرد ترکیبی به منظور پیش‌بینی فراوانی روزهای همراه با طوفان گرد و غبار (FDSD) در مقیاس فصلی پیشنهاد شده که در آن از ترکیب شبکه‌های عصبی LSTM و GRU استفاده می‌شود. در این پژوهش، عملکرد مدل هیبریدی پیشنهادی با شبکه عصبی مبتنی بر توابع پایه شعاعی (RBF) و ماشین بردار پشتیبان (SVM) مورد مقایسه قرار گرفته است. بدین منظور، از داده‌های ساعتی گرد و غبار و کدهای سازمان جهانی هواشناسی در مقیاس فصلی با طول دوره آماری ۳۰ ساله (2019-1990) در هفت ایستگاه سینوپتیک استان خوزستان استفاده شد. نتایج معیارهای ارزیابی در مرحله آموزش و آزمایش مدل‌ها نشان داد که مدل هیبریدی GRU-LSTM عملکرد بهتری نسبت به سایر مدل‌های مورد استفاده به منظور پیش‌بینی فراوانی روزهای همراه با طوفان گرد و غبار ارائه می نماید؛ به طوری که مدل هیبریدی پیشنهادی با ضریب همبستگی (0/988-0/905=R)، ریشه میانگین مربعات خطا (RMSE=0/313-0/402 day)، میانگین قدر مطلق خطا (MAE= 0/144-0/226 day) و ضریب نش‌-ساتکلیف (0/903-0/819=NS)، عملکرد بهتری نسبت به سایر مدل‌های مورد استفاده در پیش‌بینی شاخص FDSD داشته است. در مجموع با مقایسه مدل‌های مورد استفاده، روش هیبریدی GRU-LSTM بهترین عملکرد و بعد از آن مدل SVM بهترین نتیجه را ارائه نمود. لذا مدل هیبریدی پیشنهادی می­تواند به عنوان ابزاری مناسب جهت پیش­‌بینی شاخص FDSD و به تبع آن اتخاذ تصمیمات مدیریتی به منظور کاهش خسارات طوفان­‌های گرد و غبار، در منطقه مطالعاتی مورد استفاده قرار گیرد.