پیش بینی طوفان های گرد و غبار در استان خوزستان با استفاده از شبکه های عصبی مصنوعی

در این پژوهش برای پیش بینی طوفان های گرد و غبار، داده های ساعتی گرد و غبار و داده های ماهانه دمای بیشینه، کمینه، میانگین، سرعت بیشینه باد و مجموع بارش در سه ایستگاه سینوپتیک آبادان، اهواز و بستان با طول دوره آماری 25 ساله (2014-1990) گردآوری شد. برای بررسی تاثیرپذیری طوفان های گرد و غبار از نوسانات اقلیمی علاوه بر متغیرهای مذکور، شاخص خشک سالی استانداردشده بارش-تبخیر و تعرق (SPEI) نیز در پنجره زمانی فصلی محاسبه گردید. پیش بینی تعداد روزهای همراه با طوفان های گرد و غبار در مقیاس فصلی با استفاده از چهار روش هوش مصنوعی شامل MLP، ANFIS، RBF و GRNN انجام شد که در قالب سه آزمایش شامل بررسی تاثیر افزودن ویژگی های کمکی بر روی پیش بینی، بررسی تاثیر تعداد فصل های گذشته در پیش بینی و بررسی بهترین تکنیک از بین مدل های استفاده شده مورد ارزیابی قرار گرفت. نتایج نشان داد که در تمامی ایستگاه ها، استفاده از همه ویژگی ها باعث بهبود پیش بینی گرد و غبارشده است و مقدار شاخص میانگین قدر مطلق خطا (MAE) برای ایستگاه های آبادان، اهواز و بستان به ترتیب برابر با 1/15، 1/66 و 0/66 به دست آمد که همگی مربوط به فصل پاییز بودند. همچنین نتایج نشان داد که در ایستگاه بستان، با فرض ثابت بودن داده های چهار فصل گذشته و استفاده از تمام ویژگی های ورودی، مدل ANFIS باعث می شود که خطای پیش بینی کمتر شده و نتیجه بهتری حاصل شود. در ایستگاه آبادان استفاده از مدل MLP چنین نتیجه ای را به دست می دهد. ضمن اینکه در ایستگاه اهواز مدل RBF بهترین مدل شناخته شد.