فهرست نشریات علمی دسترسی آزاد ایران

مناطق مختلف، استعدادهای متفاوتی در انتشار گردوغبار دارند و افزایش طوفان‌های گردوغبار نشان‌دهنده حاکمیت اکوسیستم بیابانی در هر منطقه است. درک صحیح وقوع طوفان‌های گردوغبار در هر منطقه، به مدیریت و کاهش خسارت‌های حاصل از گردوغبار کمک شایانی می‌کند. هدف از این تحقیق پیش‌بینی فراوانی روزهای همراه با طوفان‌های گردوغبار (FDSD) در مقیاس زمانی فصلی است. بدین منظور، با استفاده از داده‌های سینوپ ساعتی و کدهای گردوغبار سازمان جهانی هواشناسی، روز‌های همراه با طوفان­های گردوغبار در شش ایستگاه همدید زابل، آبادان، اهواز، زاهدان، بستان و مسجدسلیمان با طول دوره آماری 25 ساله (2014-1990) تعیین شد. پس از محاسبه فراوانی تعداد روزهای همراه با طوفان­های گردوغبار و تشکیل سری‌های زمانی فصلی، با استفاده از چهار روش هوش مصنوعی شامل شبکه عصبی پرسپترونی چندلایه (MLP)، سیستم استنباط عصبی-فازی تطبیقی (ANFIS)، شبکه عصبی مبتنی بر توابع پایه شعاعی (RBF) و شبکه عصبی رگرسیون تعمیم‌یافته (GRNN) اقدام به پیش‌بینی فراوانی روزهای همراه با طوفان‌های گردوغبار در یک فصل بعد شد. نتایج حاکی از افزایش دقت پیش‌بینی‌ها در فصول همراه با تعداد بیشتر روزهای همراه با طوفان گردوغبار بود؛ به نحوی که بر اساس نتایج حاصل از مدل MLP، ضریب همبستگی بین مقادیر مشاهداتی و پیش‌بینی‌شده فراوانی روزهای همراه با طوفان گردوغبار برای ایستگاه مسجدسلیمان و زابل به ترتیب 8/0 و 97/0 بوده است. با این توضیح که زابل بیشترین فراوانی را در بین این ایستگاه‌ها دارد. همچنین با توجه به نتیجه مدل‌های ANFIS، RBF و GRNN به ترتیب ضریب همبستگی محاسبه‌شده برای پیش‌بینی در ایستگاه‌های مسجدسلیمان و زابل از 41/0 تا 95/0، 35/0 تا 92/0 و 22/0 تا 98/0 متغیر بود. در مجموع با مقایسه نتیجه مدل‌های مورد استفاده، ANFIS بهترین عملکرد و بعد از آن GRNN بهترین نتیجه را ارائه نموده است. نتایج این مطالعه می‌تواند در مدیریت پیامدهای ناشی از طوفان گردوغبار و برنامه‌های مقابله با بیابان‌زایی در مناطق تحت مطالعه مفید باشد.