مقایسه عملکرد مدل های سری زمانی SARIMA و Holt-Winters با روشه ای هوش مصنوعی در پیش بینی طوفان های گرد و غبار (مطالعه موردی: استان سیستان و بلوچستان)
هدف از این پژوهش مقایسه عملکرد مدلهای سری زمانی SARIMA و Holt-Winters با روشهای هوش مصنوعی شامل شبکه عصبی مبتنی بر توابع پایه شعاعی (RBF) و سیستم استنباط عصبی- فازی تطبیقی (ANFIS) بهمنظور پیشبینی فراوانی روزهای همراه با طوفان گرد و غبار (FDSD) در فصل آتی است. بدین منظور، از دادههای ساعتی گرد و غبار و کدهای سازمان جهانی هواشناسی در پنج ایستگاه سینوپتیک استان سیستان و بلوچستان با طول دوره آماری 25ساله (1990-2014) استفاده شد. نتایج نشان داد روش ANFIS، نسبت به سایر روشها، بهترین عملکرد را داشت و معیارهای ارزیابی R، RMSE، MAE، و NS آن به ترتیب از 72/0، 57/0، 42/0، و 71/0 تا 95/0، 51/0، 40/0، و 96/0 متغیر بود. همچنین، با افزایش شاخص متوسط FDSD در ایستگاهها (از 06/1 تا 11/7)، دقت پیشبینی همه روشها افزایش داشت. بر همین اساس، در سری زمانی SARIMA، ضریب همبستگی بین مقادیر مشاهداتی و پیشبینیشده شاخص FDSD از 64/0 به 79/0 افزایش یافت. برای روشهای Holt-Winters، RBF، و ANFIS مقدار نیز ضریب همبستگی به ترتیب از 70/0 تا 87/0، 69/0 تا 92/0، و 72/0 تا 95/0 متغیر بود. درمجموع، با مقایسه روشهای مورد استفاده، روش هوش مصنوعی ANFIS بهترین و مدلهای سری زمانی SARIMA و Holt-Winters بدترین عملکرد را داشتند.
- حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران میشود.
- پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانههای چاپی و دیجیتال را به کاربر نمیدهد.