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.