ارزیابی کارایی فرامدلهای هیبریدی یادگیری ماشین و باکس جنکینز بهمنظور مدلسازی طوفانهای گرد و غبار (مطالعه موردی: استان خوزستان)
نویسندگان
1 گروه مهندسی آبیاری و آبادانی، دانشکده مهندسی و فناوری کشاورزی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران.
2 گروه مهندسی آبیاری و آبادانی، دانشکده مهندسی و فناوری کشاورزی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران.
3 گروه مهندسی آبیاری و آبادانی، دانشکده مهندسی و فناوری کشاورزی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران.
doi
10.22059/ijswr.2022.346694.669335چکیده
تأثیر پدیدة گردوغبار در ایران آن قدر وسیع است که بیش از نیمی از استانهای کشور را به نحوی با مسائل و محدودیت-های این پدیدة طبیعی درگیر کرده است که، علاوه بر اثرهای زیست محیطی، موجب اختلال در اجرای طرحهای توسعة پایدار ملی شده و تاکنون پیامدهای منفی زیادی به دنبال داشته و خواهد داشت. این پژوهش سعی بر ارائه نوعی مدل ترکیبی جدید با استفاده از فرامدلهای هیبریدی هوشمصنوعی و همچنین فرامدلهای هیبریدی باکس جنکینز جهت پیشبینی و مدلسازی شاخص FDSD (فراوانی روزهای همراه با طوفانهای گردوغبار)، در هفت ایستگاه سینوپتیک استان خوزستان با طول دوره آماری 40 سال (2020-1981) داشته است. الگوریتمهای هیبریدی پیشبینی به کار رفته در این پژوهش شامل W-ANFIS، AF-SVM، ARIMA-NARX، SARIMA-SETAR میباشند. نتایج پیشبینی نشان داد که کاهش عملکرد مدلهای هیبریدی جهت پیشبینی شاخص FDSD با کاهش فراوانی روزهای همراه با طوفانهای گرد و غبار رابطه مستقیمی دارد. به نحوی که ضریب همبستگی برای دادههای آزمایشی در فرامدلهای AF-SVM و W-ANFIS بهترتیب از مقادیر 991/0 و 985/0 به 985/0 و 958/0 و ضریب نش ساتکلیف نیز بهترتیب از 977/0 و 960/0 به 973/0 و 952/0 کاهش یافته است. همچنین ضریب RMSE به ترتیب از ایستگاه آبادان تا دزفول برای دو فرامدل ذکر شده از مقدار 135/0 و 151/0 به 140/0 و 179/0 و ضریب MAE نیز به ترتیب از مقدار 054/0 و 068/0 به 060/0 و 093/0 افزایش یافته است. ضریب همبستگی برای دادههای آزمایشی در فرامدل-های باکس جنکینز SARIMA-SETAR و ARIMA-NARX نیز بهترتیب از مقادیر 967/0 و 951/0 به 958/0 و 941/0 و ضریب نش ساتکلیف نیز بهترتیب از 945/0 و 923/0 به 938/0 و 913/0 کاهش یافته است که نشاندهنده ضعیف شدن عملکرد فرامدلهای هیبریدی با کاهش فراوانی طوفانهای گرد و غبار در استان خوزستان میباشد. همچنین با برازش چهار فرامدل هیبریدی بر روی شاخص FDSD نشان داده شد که فرامدل هیبریدی AF-SVM نسبت به سایر روشها از عملکرد بهتری برخوردار بود. به نحوی که در همه ایستگاههای مورد مطالعه دارای ضریب همبستگی و نش ساتکلیف بیشتر و ضریب ریشه میانگین مربعات خطا و میانگین قدرمطلق خطا کمتری میباشد که نشاندهنده برتری این فرامدل هیبریدی نسبت به سایر فرامدلها برای پیشبینی شاخص FDSD در استان خوزستان میباشد. نتایج این مطالعه میتواند جهت مدلسازی طوفانهای گرد و غبار در سایر مناطق کشور نیز مورد استفاده قرار گیرد.