تعداد نشریات | 161 |
تعداد شمارهها | 6,573 |
تعداد مقالات | 71,033 |
تعداد مشاهده مقاله | 125,502,921 |
تعداد دریافت فایل اصل مقاله | 98,767,169 |
مقایسة عملکرد مدل های سری زمانی SARIMA و Holt-Winters با روشه ای هوش مصنوعی در پیش بینی طوفان های گردوغبار (مطالعة موردی: استان سیستان و بلوچستان) | ||
پژوهش های جغرافیای طبیعی | ||
مقاله 4، دوره 52، شماره 4، دی 1399، صفحه 567-587 اصل مقاله (1.74 M) | ||
نوع مقاله: مقاله کامل | ||
شناسه دیجیتال (DOI): 10.22059/jphgr.2021.303847.1007524 | ||
نویسندگان | ||
مسعود پورغلام آمیجی1؛ محمد انصاری قوجقار1؛ جواد بذرافشان2؛ عبدالمجید لیاقت* 3؛ شهاب عراقی نژاد2 | ||
1دانشجوی دکتری گروه مهندسی آبیاری و آبادانی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران | ||
2دانشیار گروه مهندسی آبیاری و آبادانی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران | ||
3استاد گروه مهندسی آبیاری و آبادانی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران | ||
چکیده | ||
هدف از این پژوهش مقایسة عملکرد مدلهای سری زمانی SARIMA و Holt-Winters با روشهای هوش مصنوعی شامل شبکة عصبی مبتنی بر توابع پایة شعاعی (RBF) و سیستم استنباط عصبی- فازی تطبیقی (ANFIS) بهمنظور پیشبینی فراوانی روزهای همراه با طوفان گردوغبار (FDSD) در فصل آتی است. بدین منظور، از دادههای ساعتی گردوغبار و کدهای سازمان جهانی هواشناسی در پنج ایستگاه سینوپتیک استان سیستان و بلوچستان با طول دورة آماری 25ساله (۱۹۹۰-2014) استفاده شد. نتایج نشان داد روش ANFIS، نسبت به سایر روشها، بهترین عملکرد را داشت و معیارهای ارزیابی R، RMSE، MAE، و NS آن بهترتیب 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 همة 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 بهترتیب از 70/0 تا 87/0، 69/0 تا 92/0، و 72/0 تا 95/0 متغیر بود. درمجموع، با مقایسة روشهای مورد استفاده، روش هوش مصنوعی ANFIS بهترین و مدلهای سری زمانی SARIMA و Holt-Winters بدترین عملکرد را داشتند. | ||
کلیدواژهها | ||
تحلیل سری زمانی؛ شبکههای عصبی؛ گردوغبار؛ ACF و PACF؛ نواحی بحرانی گردوغباری | ||
مراجع | ||
انتظاری، ع. و سروستان، ر. (1396). بررسی گردوغبار و پیشبینی آن در شهرهای استان خوزستان با استفاده از مدلهای سری زمانی، مطالعات علوم محیط زیست، 2(4): 5۳5-5۴5. انصاری قوجقار، م.؛ پورغلام آمیجی، م.؛ بذرافشان، ج.؛ لیاقت، ع. و عراقینژاد، ش. (1399). مقایسة کارایی شبکههای عصبی آماری، فازی، و پرسپترونی در پیشبینی طوفانهای گردوغبار در نواحی بحرانی کشور، تحقیقات آب و خاک ایران (آمادة انتشار). جمالیزاده تاجآبادی، م. ر.؛ مقدمنیا، ع. ر. و پیری، ج. (1386). بررسی توانایی دو روش شبکههای عصبی مصنوعی و ماشینهای بردار پشتیبان در پیشبینی طوفانهای گردوخاک شهر زابل، چهارمین همایش ملی علوم و مهندسی آبخیزداری ایران، مدیریت حوزههای آبخیز، دانشکدة منابع طبیعی دانشگاه تهران، 1 اسفند. حسین حمزه، ن.؛ فتاحی، ا.؛ ذوالجودی، م.؛ غفاریان، پ. و رنجبر، ع. (1395). تحلیل همدیدی و دینامیکی پدیدة گردوغبار و شبیهسازی آن در جنوب غرب ایران در تابستان ۱۳۸4، تحلیل فضایی مخاطرات محیطی، 3(1): ۹۱-102. زینالی، ب. (1395). بررسی روند تغییرات فراوانی روزهای همراه با طوفانهای گردوغباری نیمة غربی ایران، مخاطرات محیط طبیعی، 5(7): ۸۷-۱۰۰. سبحانی، ب.؛ صفریان زنگیر، و. و فیضاللهزاده، س. (1399). مدلسازی و پیشبینی گردوغبار در غرب ایران، پژوهشهای جغرافیای طبیعی، 52(1): ۱۷-35. سبحانی، ب.؛ صلاحی، ب. و گلدوست، ا. (1394). بررسی گردوغبار و ارزیابی امکان پیشبینی آن بر اساس روشهای آماری و مدل ANFIS در ایستگاه زابل، جغرافیا و توسعة پایدار، 13(38): ۱۲۳-138. سروستان، ر. و فلاح قالهری، غ. (1399). بررسی و پیشبینی پدیدة گردوغبار در استان خوزستان با استفاده از مدلهای سری زمانی باکس جنکینز، مهندسی و مدیریت آبخیز. شاکر سوره، ف. و اسدی، ا. (1398). ارتباط بین خشکسالیهای هواشناسی و هیدرولوژیکی در دشت سلماس، مهندسی اکوسیستم بیابان، 8(22): ۸۹-۱۰۰. عبدالشاهنژاد، م.؛ خسروی، ح.؛ نظری سامانی، ع. ک.؛ زهتابیان، غ. و علمبیگی، ا. (1399). تعیین چهارچوب مفهومی ریسک گردوغبار بر مبنای سنجش تابآوری (بررسی موردی: جنوب غرب کشور)، پژوهشهای راهبردی در علوم کشاورزی و منابع طبیعی، 5(1): ۳۳-44. عراقینژاد، ش. و انصاری قوجقار، م. (1396). بررسی تأثیر سرعت بیشینة باد بر روند فراوانی روزهای همراه با طوفانهای گردوغباری (مطالعة موردی: استان لرستان)، چهارمین همایش ملی فرسایش بادی و طوفانهای گردوغبار، انجمن علمی مدیریت و کنترل مناطق بیابانی ایران، پژوهشکدة مناطق خشک و بیابانی، دانشگاه یزد، 1۶-1۷ اسفند. عراقینژاد، ش.؛ انصاری قوجقار، م.؛ پورغلام آمیجی، م.؛ لیاقت، ع. و بذرافشان، ج. (1397). تأثیر نوسانات اقلیمی بر فراوانی طوفانهای گردوغبار در ایران، مهندسی اکوسیستم بیابان، 7(21): ۱۳-۳۲. فرجزاده، م. و علیزاده، خ. (1390). تحلیل زمانی و مکانی طوفانهای گردوخاک در ایران، برنامهریزی و آمایش فضا، 15(1): ۶۵-84. قربانی، س. و مدرس، ر. (1398). مدلسازی رابطة فراوانی طوفانهای گردوغبار با متغیرهای اقلیمی فصل تابستان در مناطق بیابانی ایران، علوم آب و خاک، 23(3): ۱۲۵-140. گودرزی، ل. و روزبهانی، ع. (1396). بررسی کارایی مدلهای سری زمانی آریما و هالت- وینترز در پیشبینی دما و بارش ماهانه (مطالعة موردی: ایستگاه لتیان)، علوم و مهندسی آبیاری، 40(3): ۱۳۷-149. مهرابی، ش.؛ سلطانی، س. و جعفری، ر. (1394). بررسی رابطه بین پارامترهای اقلیمی و وقوع ریزگردها (مطالعة موردی: استان خوزستان)، علوم آب و خاک، 19(71): ۶۹-۸۰. یارمرادی، ز.؛ نصیری، ب.؛ کرمپور م. و محمی، غ. ح. (1397). تحلیل روند فراوانی روزهای گردوغباری در نیمة شرقی ایران در ارتباط با نوسانات اقلیمی، مهندسی اکوسیستم بیابان، 7(18): ۱-۱۴. Aboagye-Sarfo, P.; Mai, Q.; Sanfilippo, F. M.; Preen, D. B.; Stewart, L. M. and Fatovich, D. M. (2015). A comparison of multivariate and univariate time series approaches to modelling and forecasting emergency department demand in Western Australia. Journal of biomedical informatics, 57: 62-73. Ahmed, N. K.; Atiya, A. F.; Gayar, N. E. and El-Shishiny, H. (2010). An empirical comparison of machine learning models for time series forecasting. Econometric Reviews, 29(5-6): 594-621. Aigang, L.; Tianming, W.; Shichang, K. and Deqian, P. (2009). On the relationship between global warming and dust storm variation in China. In 2009 International Conference on Environmental Science and Information Application Technology (Vol. 2, pp. 59-62). IEEE. Aliyari, M.; Teshnehlab, M. and Khaki Sedigh, A. (2008). Short-term forecast of air pollution by neural networks, delayed memory line, gamma and ANFIS with PSO-based educational methods. Control journal, 2(1): 1-19. Amgalan, G.; Liu, G. R.; Lin, T. H. and Kuo, T. H. (2017). Correlation between dust events in Mongolia and surface wind and precipitation, Terr. Journal of Atmospheric & Ocean Science, 28 (1): 23-32. Asplin, B. R.; Flottemesch, T. J. and Gordon, B. D. (2006). Developing models for patient flow and daily surge capacity research. Academic Emergency Medicine, 13(11): 1109-1113. Chen, S.; Cowan, C. F. N. and Grant, P. M. (1991). Orthogonal Least Squares Learning Algorithm for Radial Basis Function Networks. IEEE Transactions on Neural Networks, 2(2): 302-309. Cochrane, J. H. (2005). Time series for macroeconomics and finance. Manuscript, University of Chicago, 1-136. Goudie, A. (2014). Review Desert dust and human health disorders. Journal of Environment International, 63(3): 101-113. Goudie, A. S. and Middleton, N. J. (2006). Desert dust in the global system. Springer Science & Business Media. Hahnenberger, M. and Nicoll, K. (2014). Geomorphic and land cover identification of dust sources in the eastern Great Basin of Utah, USA. Geomorphology, 204: 657-672. Herweijer, C.; Seager, R.; Cook, E. R. and Emile-Geay, J. (2007). North American droughts of the last millennium from a gridded network of tree-ring data. Journal of Climate, 20(7): 1353-1376. Hyndman, R. J. and Khandakar, Y. (2008). Automatic time series forecasting: the forecast package for R. Journal of Statistical Software, 27(3): 1-22. Jang, J. S. (1993). ANFIS: adaptive-network-based fuzzy inference system. IEEE transactions on systems, man, and cybernetics, 23(3): 665-685. O’Loingsigh, T.; McTainsh, G. H.; Tews, E. K.; Strong, C. L.; Leys, J. F.; Shinkfield, P. and Tapper, N. J. (2014). The Dust Storm Index (DSI): a method for monitoring broadscale wind erosion using meteorological records. Aeolian Research, 12: 29-40. Rashki, A.; Kaskaoutis, D. G.; Goudie, A. S. and Kahn, R. A. (2013). Dryness of ephemeral lakes and consequences for dust activity: the case of the Hamoun drainage basin, southeastern Iran. Science of the Total Environment, 463: 552-564. Singh, A. and Mishra, G. C. (2015). Application of Box-Jenkins method and Artificial Neural Network procedure for time series forecasting of prices. Statistics in Transition new series, 1(16): 83-96. Tanarhte, M.; Hadjinicolaou, P. and Lelieveld, J. (2012). Intercomparison of temperature and precipitation data sets based on observations in the Mediterranean and the Middle East. Journal of Geophysical Research: Atmospheres, 117(D12). Xu, X.; Levy, J. K.; Zhaohui, L. and Hong, C. (2006). An investigation of sand–dust storm events and land surface characteristics in China using NOAA NDVI data. Global and Planetary Change, 52 (1-4): 182-196. | ||
آمار تعداد مشاهده مقاله: 1,006 تعداد دریافت فایل اصل مقاله: 548 |