سامانه پشتیبانی خدمات اطلاعات

  اخبار و اعلانات

 آمار

تعداد نشریات163
تعداد شماره‌ها6,878
تعداد مقالات74,135
تعداد مشاهده مقاله137,878,665
تعداد دریافت فایل اصل مقاله107,237,393
انصاری قوجقار, محمد, پورمحمد, پریا. (1404). مقایسه مدل هیبریدی SVR-ACOR-Holt-Winters و مدل GEP بهینه‌شده با الگوریتم وال به‌منظور پیش‌بینی طوفان‌های گردوغبار، مطالعه موردی: استان خوزستان. , 57(1), 19-41. doi: 10.22059/jphgr.2025.387558.1007863
محمد انصاری قوجقار; پریا پورمحمد. "مقایسه مدل هیبریدی SVR-ACOR-Holt-Winters و مدل GEP بهینه‌شده با الگوریتم وال به‌منظور پیش‌بینی طوفان‌های گردوغبار، مطالعه موردی: استان خوزستان". , 57, 1, 1404, 19-41. doi: 10.22059/jphgr.2025.387558.1007863
انصاری قوجقار, محمد, پورمحمد, پریا. (1404). 'مقایسه مدل هیبریدی SVR-ACOR-Holt-Winters و مدل GEP بهینه‌شده با الگوریتم وال به‌منظور پیش‌بینی طوفان‌های گردوغبار، مطالعه موردی: استان خوزستان', , 57(1), pp. 19-41. doi: 10.22059/jphgr.2025.387558.1007863
انصاری قوجقار, محمد, پورمحمد, پریا. مقایسه مدل هیبریدی SVR-ACOR-Holt-Winters و مدل GEP بهینه‌شده با الگوریتم وال به‌منظور پیش‌بینی طوفان‌های گردوغبار، مطالعه موردی: استان خوزستان. , 1404; 57(1): 19-41. doi: 10.22059/jphgr.2025.387558.1007863

مقایسه مدل هیبریدی SVR-ACOR-Holt-Winters و مدل GEP بهینه‌شده با الگوریتم وال به‌منظور پیش‌بینی طوفان‌های گردوغبار، مطالعه موردی: استان خوزستان

پژوهش های جغرافیای طبیعی
دوره 57، شماره 1، اردیبهشت 1404، صفحه 19-41    اصل مقاله (1.54 M)
نوع مقاله: مقاله کامل
شناسه دیجیتال (DOI): 10.22059/jphgr.2025.387558.1007863
نویسندگان
محمد انصاری قوجقار* ؛ پریا پورمحمد
گروه مهندسی احیاء مناطق خشک و کوهستانی، دانشکده منابع طبیعی، دانشگاه تهران، کرج، ایران
چکیده
استان خوزستان به‌عنوان یکی از کانون‌های اصلی طوفان‌های گردوغبار در ایران به دلیل شرایط جغرافیایی خاص خود، همواره با چالش‌های جدی در زمینه سلامت عمومی و پایداری محیط‌زیستی مواجه است. در این پژوهش، به ارائه یک هیبریدی SVR-ACOR-Holt-Winters به‌منظور مدل‌سازی طوفان‌های گردوغبار در استان خوزستان، در طول دوره آماری 50 ساله (2020- 1971) پرداخته‌شده است. نتایج نشان داد که مدل SVR-ACOR-Holt-Winters با ریشه میانگین‌مربعات خطا (317/0 - 293/0 =RMSE)، ضریب همبستگی (849/0 - 873/0 =R)، میانگین قدرمطلق خطا (275/0- 293/0 =MAE)، با اختلاف محسوسی، نسبت به مدل‌های انفرادی و مدل‌های دوگانه بررسی‌شده، به‌عنوان مدل برتر انتخاب‌شده است. ایستگاه آبادان با بیشترین فراوانی روزهای گردوغباری دقت بالاتری را در پیش‌بینی طوفان‌های گردوغبار در استان نشان داد که دلیل آن را می‌توان در ارتباط متغیرهای اقلیمی همچون دمای حدی و سرعت باد بر افزایش شاخص فراوانی روزهای همراه با این طوفان‌ها در خوزستان یافت. لذا می‌توان نتیجه گرفت مدل‌سازی طوفان‌های گردوغبار در مناطق بحرانی‌تر از دقت بیشتری برخوردار است. نتایج این مطالعه می‌تواند در مدل‌سازی پدیده گردوغبار و طراحی سیستم‌های هشدار طوفان‌های گردوغبار و کاهش خسارات ناشی از این پدیده، به کار گرفته شود. کاربرد این مدل در سایر مناطق دارای شرایط اقلیمی مشابه نیز می‌تواند موردبررسی قرار گیرد تا امکان تعمیم‌پذیری و اثربخشی آن در پیش‌بینی طوفان‌های گردوغبار در سطح ملی و منطقه‌ای ارزیابی شود.
کلیدواژه‌ها
شاخص نیکویی برازش؛ مدیریت بحران؛ FDSD؛ مدل‌های سری زمانی؛ کاتالیزور
مراجع
  1. اژدری مقدم، مهدی و رئیس پور، کوهزاد. (1390). تحلیل آماری و شناسایی منشاء پدیده گردوغبار با استفاده از کدهای هواشناسی (مورد شناسی: استان خوزستان). یازدهمین کنگره جغرافیدانان ایران، تهران،
  2. اژدری مقدم، مهدی؛ رئیس پور، کوهزاد؛ عزیزاقلی، محمدعلی و قادری زه، خالد. (1390). شناسایی الگوهای سینوپتیکی سامانه‌های گردوغباری در جنوب غرب ایران مطالعه موردی: استان خوزستان. یازدهمین کنگره جغرافیدانان ایران، تهران،
  3. انصاری قوجقار، محمد، پورغلام آمیجی، مسعود، بذرافشان، جواد، لیاقت، عبدالمجید، و عراقی نژاد، شهاب. (1399). مقایسه کارایی شبکه‌های عصبی آماری، فازی و پرسپترونی در پیش‌بینی طوفان‌های گردوغبار در نواحی بحرانی کشور. تحقیقات آب‌وخاک ایران (علوم کشاورزی ایران)، 51(8)، 2051-2063. https://doi.org/10.22059/ijswr.2020.302529.668607
  4. انصاری قوجقار، محمد؛ پورغلام آمیجی، مسعود؛ عراقی نژاد، شهاب؛ باباییان، ایمان؛ لیاقت، عبدالمجید و سلاجقه، علی. (1400). تأثیر فاز گرم پدیده ENSO بر شکل‌گیری طوفان‌های گردوغبار در استان‌های خوزستان و سیستان و بلوچستان. نشریه مرتع و آبخیزداری، 74 (2)، 257-271. https://doi.org/10.22059/jrwm.2020.310647.1533
  5. پورغلام آمیجی، مسعود؛ انصاری قوجقار، محمد؛ بذرافشان، جواد؛ لیاقت، عبدالمجید و عراقی نژاد، شهاب. (1399). مقایسه عملکرد مدل‌های سری زمانی SARIMA و Holt-Winters با روش‌های هوش مصنوعی در پیش‌بینی طوفان‌های گردوغبار (مطالعه موردی: استان سیستان و بلوچستان). پژوهش‌های جغرافیای طبیعی، 4 (52)، 567- 587. https://doi.org/10.22059/jphgr.2021.303847.1007524
  6. زینلی، محمدجواد و بیلندی، محسن پوررضا. (1397). تخمین پارامترهای بهینه مدل روندیابی غیرخطی ماسکینگام با استفاده از الگوریتم مورچگان پیوسته. نشریه مهندسی آبیاری و آب ایران، 8 (3)، 94-106.
  7. سبحانی، بهروز؛ صفریان زنگیر، وحید و فیض اله‌زاده، سینا. (1399). مدل‌سازی و پیش‌بینی گردوغبار در غرب ایران. پژوهش‌های جغرافیای طبیعی، 52 (1)، 17-35. https://doi.org/10.22059/jphgr.2020.284389.1007408
  8. عبدالشاه‌نژاد، مهسا؛ خسروی، حسن؛ نظری سامانی، علی‌اکبر؛ زهتابیان، غلام‌رضا و علم‌بیگی، امیر. (1399). تعیین چارچوب مفهومی ریسک گردوغبار بر مبنای سنجش تاب‌آوری (بررسی موردی: جنوب غرب کشور). مجله پژوهش‌های راهبردی در علوم کشاورزی و منابع طبیعی، 5 (1)، 33-44. https://doi.org/10.22047/srjasnr.2020.113050
  9. لشکری، حسن و صبوئی، مریم. (1392). تحلیل سینوپتیکی الگوهای حاکم بر طوفان گردوغبار استان خوزستان. فصلنامه علمی- پژوهشی اطلاعات جغرافیایی «سپهر»، 22(87)، 32-38. https://dor.isc.ac/dor/20.1001.1.25883860.1392.22.87.5.6
  10. محمدی، گ، ح. (1394). تحلیل مکانیسم‌های جوی در انتقال غبار از غرب ایران. پایان‌نامه دکتری، دانشگاه تبریز، 142 ص.
  11. مهرابی، شهباز؛ سلطانی، سعید و جعفری، رضا. (1394). بررسی رابطه بین پارامترهای اقلیمی و وقوع ریزگردها (مطالعه موردی: استان خوزستان). علوم آب‌وخاک، ۱۹ (۷۱)، 69-81. http://dx.doi.org/10.18869/acadpub.jstnar.19.71.69
  12. نعمتی، امیرمحمد و کوچکی رفسنجانی، مرجان. (1403). بررسی روش‌های فازی و غیرفازی مبتنی بر الگوریتم بهینه‌سازی نهنگ و کاربردهای آن‌ها. سیستم‌های فازی و کاربردها، 7 (2)، 33-63.https://doi.org/10.22034/JFSA.2024.467966.1234
  13. یارمحمدی، مهدیس؛ آل شیخ، علی‌اصغر و شریف، محمد. (1402). یک مدل شبکه عصبی پیچشی برای پیش‌بینی مسیر حرکت طوفان‌های گردوغبار. نشریه سنجش‌ازدور و GIS ایران، 15 (1)، 129-139. https://doi.org/10.52547/gisj.15.1.129
  1. Abdolshahnejad, M., Khosravi, H., Nazari Samani, A., Zehtabian, G. & Alambaigi, A. (2020). Determining the Conceptual Framework of Dust Risk Based on Evaluating Resilience (Case Study: Southwest of Iran). Strategic Research Journal of Agricultural Sciences and Natural Resources, 5(1), 33-44. https://doi.org/10.22047/srjasnr.2020.113050 [In Persian]
  2. Alfarisi, W. W., Haura, Z., Pratiwi, D. A., Putri, F. A., Sadewo, E., & Darmawan, G. (2024). Comparative Analysis of Fourier Series Analysis and Holtwinters Methods on Forecasting Additive Seasonal Data. Innovative: Journal of Social Science Research, 4(1), 1310-1325.
  3. Andriani, N., Wahyuningsih, S., & Siringoringo, M. (2022). Application of Double Exponential Smoothing Holt and Triple Exponential Smoothing Holt-Winter with Golden Section Optimization to Forecast Export Value of East Borneo Province. Jurnal Matematika, Statistika Dan Komputasi, 18(3), 475-483. https://doi.org/10.20956/j.v18i3.17492
  4. Ansari Ghojghar, M., Pourgholam-Amiji, M., Araghinejad, S., Babaeian, I., Liaghat, A. and Salajegheh, A. (2021). The Effect of Warm Phase of ENSO Phenomenon on the Formation of Dust Storms in Khuzestan and Sistan and Baluchestan Provinces. Journal of Range and Watershed Managment, 74(2), 257-271. https://doi.org/10.22059/jrwm.2020.310647.1533 [In Persian]
  5. Ansari ghojghar, M., Pourgholam-Amiji, M., Bazrafshan, J., Liaghat, A. & Araghinejad, S. (2020). Performance Comparison of Statistical, Fuzzy and Perceptron Neural Network Models in Forecasting Dust Storms in Critical Regions in Iran. Iranian Journal of Soil and Water Research, 51(8), 2051-2063. https://doi.org/10.22059/ijswr.2020.302529.668607 [In Persian]
  6. Bhoopathi, S., Kumar, N., & Pal, M. (2024). Evaluating the performances of SVR and XGBoost for short-range forecasting of heatwaves across different temperature zones of India. Applied Computing and Geosciences, 24, 100204. https://doi.org/10.1016/j.acags.2024.100204
  7. Borhani, F., Pourezzat, A. A., & Ehsani, A. H. (2024). Spatial distribution of Particulate Matter in Iran from Internal factors to the role of western adjacent countries from political governance to Environmental Governance. Earth Systems and Environment, 8(1), 135-164. https://doi.org/10.1007/s41748-023-00365-x
  8. Dehshiri, S. S. H., & Firoozabadi, B. (2023). A multi-objective framework to select numerical options in air quality prediction models: A case study on dust storm modeling. Science of The Total Environment, 863, 160681. https://doi.org/10.1016/j.scitotenv.2022.160681
  9. Dun, M., Xu, Z., Chen, Y., & Wu, L. (2020). Short-term air quality prediction based on fractional grey linear regression and support vector machine. Mathematical Problems in Engineering, 2020, Article 8914501. https://doi.org/10.1155/2020/8914501
  10. Ejdari Moghaddam, M., Raeispour, K., Aziziaghli, M. A., & Ghaderizah, K. (2011). Identification of synoptic patterns of dust storm systems in southwest Iran: A case study of Khuzestan Province. The 11th Congress of Iranian Geographers, Tehran, Iran. [In Persian]
  11. Ejderi Moghadam, M., & Raeispour, K. (2011). Statistical analysis and identification of the origin of dust phenomena using meteorological codes (Case study: Khuzestan Province). The 11th Congress of Iranian Geographers, Tehran, Iran [In Persian]
  12. Ferreira, C. (2006). Gene expression programming: Mathematical modeling by an artificial intelligence. Springer.
  13. Feuerstein, S., & Schepanski, K. (2018). Identification of dust sources in a Saharan dust hot-spot and their implementation in a dust-emission model. Remote Sensing, 11(1), Article 4. https://doi.org/10.3390/rs11010004
  14. Gandomi, A. H., Roke, D. A., & Sett, K. (2013). Genetic programming for moment capacity modeling of ferrocement members. Engineering Structures, 57, 169-176. https://doi.org/10.1016/j.engstruct.2013.09.022
  15. Ghafariasl, P., Zeinalnezhad, M., & Ahmadishokooh, A. (2024). Optimizing PM2. 5 Forecasting Accuracy with Hybrid Meta-Heuristic and Machine Learning Models. arXiv preprint arXiv:2407.01647. https://doi.org/10.48550/arXiv.2407.01647
  16. Goudie, A. S. (2014). Desert dust and human health disorders. Environment International, 63, 101-113. https://doi.org/10.1016/j.envint.2013.10.011
  17. Hossain, J., Kadir, A. F., Hanafi, A. N., Shareef, H., Khatib, T., Baharin, K. A., & Sulaima, M. F. (2023). A review on optimal energy management in commercial buildings. Energies, 16(4), Article 1609. https://doi.org/10.3390/en16041609
  18. Jahanmiri, S., Noorian-Bidgoli, M., & Dallaki, A. (2025). Optimizing tunnel boring machine penetration rate prediction using gene expression programming and whale optimization algorithms. Modeling Earth Systems and Environment, 11(2), 1-22. https://doi.org/10.1007/s40808-025-02323-0
  19. Lashkari, H. and Sabuei, M. (2013). Synoptic analysis of dominant patterns in Khuzestan province’s dust storm. Scientific- Research Quarterly of Geographical Data (SEPEHR), 22(87), 32-38. https://dor.isc.ac/dor/20.1001.1.25883860.1392.22.87.5.6 [In Persian]
  20. Mehrabi, S., Soltani, S., & Jafari, R. (2015). Analyzing the relationship between dust storm occurrence and climatic parameters. Journal of Water and Soil Science, 19(71), 69–81. http://dx.doi.org/10.18869/acadpub.jstnar.19.71.69 [In Persian]
  21. Middleton, N. (2019). Variability and trends in dust storm frequency on decadal timescales: Climatic drivers and human impacts. Geosciences, 9(6), 261. https://doi.org/10.3390/geosciences9060261
  22. Mohammadi, G. H. (2015). Analysis of atmospheric mechanisms in dust transport from western Iran. (Doctoral dissertation, University of Tabriz). 142 pages. [In Persian]
  23. Nemati, A. M. and Kuckaki Rafsanjani, M. (2024). Review of Fuzzy and Non-Fuzzy methods based on the Whale Optimization Algorithm and their applications. Fuzzy Systems and its Applications, 7(2), 33-63. https://doi.org/10.22034/JFSA.2024.467966.1234 [In Persian]
  24. O’Loingsigh, T., McTainsh, G. H., Tews, E. K., Strong, C. L., Leys, J. F., Shinkfield, P., & Tapper, N. J. (2014). The Dust Storm Index (DSI): a method for monitoring broadscale wind erosion using meteorological records. Aeolian Research, 12, 29-40. https://doi.org/10.1016/j.aeolia.2013.10.004
  25. Özer, M. M. (2024). Predictive modeling of urban air pollution using machine learning and unmanned aerial vehicle platforms. In Innovative Applications of Artificial Neural Networks to Data Analytics and Signal Processing Springer, Cham (pp. 79-115). https://doi.org/10.1007/978-3-031-69769-2_5
  26. Pal, M., Maity, R., Ratnam, J. V., Nonaka, M., & Behera, S. K. (2020). Long-lead prediction of ENSO modoki index using machine learning algorithms. Scientific reports, 10(1), 365. https://doi.org/10.1038/s41598-019-57183-3
  27. Panicker, N. K. K., & Valarmathi, J. (2025). Time series prediction of aerosol optical depth across the northern Indian region: integrating PSO-optimized SARIMA-SVR based on MODIS data. Acta Geophysica, 73(2), 2097-2126. https://doi.org/10.1007/s11600-024-01472-7
  28. Piri, J., Kahkha, M. R. R., & Kisi, O. (2024). Hybrid machine learning approach integrating GMDH and SVR for heavy metal concentration prediction in dust samples. Environmental Science and Pollution Research, 1-20. https://doi.org/10.1007/s11356-024-34795-5
  29. Pourgholam Amiji, M., Ansari Ghojghar, M., Bazrafshan, J., Liaghat, A., & Araghinejad, S. (2020). Comparing the performance of SARIMA and Holt-Winters time series models with artificial intelligence methods in dust storms forecasting (Case Study: Sistan and Baluchestan Province). Physical Geography Research, 52(4), 567-587. https://doi.org/10.22059/jphgr.2021.303847.1007524 [In Persian]
  30. Rafi, N., & Rivas, P. (2024). A review on machine learning algorithms for dust aerosol detection using satellite data. Springer. https://doi.org/10.48550/arXiv.2404.09415
  31. Rahmati, O., Panahi, M., Ghiasi, S. S., Deo, R. C., Tiefenbacher, J. P., Pradhan, B., ... & Bui, D. T. (2020). Hybridized neural fuzzy ensembles for dust source modeling and prediction. Atmospheric Environment, 224, 117320. https://doi.org/10.1016/j.atmosenv.2020.117320
  32. Sobhani, B., Safarian Zengir, V. & Faizollahzadeh, S. (2020). Modeling and Prediction of Dust in Western Iran. Physical Geography Research, 52(1), 17-35. https://doi.org/10.22059/jphgr.2020.284389.1007408 [In Persian]
  33. Socha, K., & Dorigo, M. (2008). Ant colony optimization for continuous domains. European journal of operational research, 185(3), 1155-1173. https://doi.org/10.1016/j.ejor.2006.06.046
  34. Song, Z., Wang, C., Hou, Y., Wang, B., & Chen, W. (2024). Time series analysis of PM2.5 pollution risk based on the supply and demand of PM2.5 removal service: A case study of the urban areas of Beijing. Environmental Monitoring and Assessment, 196(7), Article 637. https://doi.org/10.1007/s10661-024-12831-8
  35. Tang, C., Sun, W., Xue, M., Zhang, X., Tang, H., & Wu, W. (2022). A hybrid whale optimization algorithm with artificial bee colony. Soft Computing, 26(5), 2075-2097. https://doi.org/10.1007/s00500-021-06623-2
  36. Turgut, M. S., Sağban, H. M., Turgut, O. E., & Özmen, Ö. T. (2021). Whale optimization and sine-cosine optimization algorithms with cellular topology for parameter identification of chaotic systems and Schottky barrier diode models. Soft Computing, 25(2), 1365-1409. https://doi.org/10.1007/s00500-020-05227-6
  37. Yarmohamadi, M., Alesheikh, A. A. and Sharif, M. (2023). A Convolutional Neural Network Model for Predicting the Transport Pathway of Dust Storms. Iranian Journal of Remote Sensing and GIS, 15(1), 129-139. https://doi.org/10.52547/gisj.15.1.129 [In Persian]
  38. Yong, S. L. S., Ng, J. L., Huang, Y. F., Ang, C. K., Ahmad Kamal, N., Mirzaei, M., & Najah Ahmed, A. (2024). Enhanced daily reference evapotranspiration estimation using optimized hybrid support vector regression models. Water Resources Management, 38(11), 4213-4241. https://doi.org/10.1007/s11269-024-03860-6
  39. Zaheer, K., Saeed, S., & Tariq, S. (2023). Prediction of aerosol optical depth over Pakistan using novel hybrid machine learning model. Acta Geophysica, 71(4), 2009-2029. https://doi.org/10.1007/s11600-023-01072-x
  40. Zeinali, M. & Pourreza-Bilondi, M. (2018). Estimation of Optimal Parameters of the Nonlinear Muskingum Model Using Continuous Ant Colony Algorithm. Irrigation and Water Engineering, 8(3), 94-106. [In Persian]
آمار
تعداد مشاهده مقاله: 115
تعداد دریافت فایل اصل مقاله: 57





سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب