پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 161 |
| تعداد شماره‌ها | 6,572 |
| تعداد مقالات | 71,027 |
| تعداد مشاهده مقاله | 125,499,085 |
| تعداد دریافت فایل اصل مقاله | 98,761,277 |
مدل‌سازی طوفان‌های گرد و غبار با استفاده از مدل هیبریدی سه‌گانه GRNN- SVM- LSTM (مطالعه موردی: استان سیستان و بلوچستان) | ||
| تحقیقات آب و خاک ایران | ||
| دوره 55، شماره 10، دی 1403، صفحه 1961-1979 اصل مقاله (2.19 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ijswr.2025.385882.669844 | ||
| نویسندگان | ||
| محمد انصاری قوجقار* 1؛ پریا پورمحمد2 | ||
| 1استادیار، گروه مهندسی احیاء مناطق خشک و کوهستانی، دانشکده منابع طبیعی، دانشگاه تهران، کرج، ایران. | ||
| 2دانشجوی دکتری، گروه مهندسی احیاء مناطق خشک و کوهستانی، دانشکده مناطق طبیعی، دانشگاه تهران، کرج، ایران. | ||
| چکیده | ||
| هدف از این پژوهش مقایسه عملکرد فرامدل‌های انفرادی GRNN و SVM با مدل هیبریدی سه‌گانه GRNN- SVM- LSTM به‌منظور پیش‌بینی فراوانی روزهای همراه با طوفان گرد و غبار در فصل آتی می‌باشد. بدین منظور از داده‌های ساعتی گرد و غبار در هشت سینوپ و کدهای سازمان جهانی هواشناسی در پنج ایستگاه سینوپتیک استان سیستان و بلوچستان در طول دوره آماری 40 ساله (2020- 1980) استفاده شده است. معیارهای R، RMSE، MAE و NS به‌منظور ارزیابی و مقایسه مدل‌ها استفاده شدند. نتایج این پژوهش نشان داد که مدل هیبرید سه‌گانه پیشنهادی نسبت به سایر روش‌ها بیش‌ترین عملکرد را داشته است. همچنین بیش‌ترین دقت این مدل در ترکیبات فصلی 1 و 2 آن به‌منظور پیش‌بینی شاخص FDSD حاصل شده است. پس از آن، فرامدل انفرادی SVM در رتبه‌بندی از لحاظ عملکرد قرار گرفت. این مدل نیز در ترکیبات یک و دو بهترین عملکرد را داشت. مدل شبکه عصبی رگرسیون تعمیم‌یافته نیز در ترکیبات 1 و 2 عملکرد نسبتاً بهتری را در مقایسه با ترکیب چهارم نمایش داده است. مدل هیبریدی سه‌گانه GRNN- SVM- LSTM با ریشه میانگین مربعات خطا (501/0-523/0RMSE= )، ضریب همبستگی ( 989/0- 999/0 R= )، میانگین قدرمطلق خطا (421/0- 441/0 =MAE)و ضریب نش- ساتکلیف (893/0- 907/0= NS)بهترین عملکرد را نسبت به سایر مدل‌های استفاده‌شده برای پیش‌بینی شاخص FDSD نمایش داده است. | ||
| کلیدواژه‌ها | ||
| گرد و غبار؛ پیش‌بینی؛ ماشین بردار پشتیبان؛ شبکه عصبی رگرسیون تعمیم‌یافته؛ سیستان و بلوچستان | ||
| عنوان مقاله [English] | ||
| Dust Storm Modeling Using the Triple Hybrid Model GRNN-SVM-LSTM (Case Study: Sistan and Baluchestan Province) | ||
| نویسندگان [English] | ||
| Mohammad Ansari ghojghar1؛ Paria Pourmohammad2 | ||
| 1Assistant professor, Department of reclamation of arid and mountainous regions Engineering, Faculty of Natural Resources, University of Tehran, Karaj, Iran. | ||
| 2Ph.D candidate. Department of reclamation of arid and mountainous regions Engineering, Faculty of Natural Resources, University of Tehran, Karaj, Iran. | ||
| چکیده [English] | ||
| Dust storms pose significant environmental and economic challenges, particularly in arid regions like Sistan-Baluchestan Province, Iran. This study aims to compare the performance of individual models (GRNN and SVM) with a triple hybrid model (GRNN-SVM-LSTM) for forecasting the frequency of dust storm days (FDSD). Using hourly dust data from eight SYNOP codes of the World Meteorological Organization across five synoptic stations, spanning a 40-year period (1980–2020), the models were evaluated based on key performance metrics: Correlation Coefficient (R), Root Mean Square Error (RMSE), Mean Absolute Error (MAE), and Nash-Sutcliffe Efficiency (NS). The triple hybrid model outperformed all other approaches, achieving the highest predictive accuracy in seasonal combinations 1 and 2. The SVM model ranked second, while the GRNN model performed relatively better in combinations 1 and 2 compared to combination 4. Overall, the GRNN-SVM-LSTM model demonstrated superior predictive performance for FDSD, with RMSE = 0.523–0.501, R = 0.999–0.989, MAE = 0.441–0.421, and NS = 0.907–0.893. These findings highlight the potential of the proposed model for improving dust storm forecasting and developing early warning systems. | ||
| کلیدواژه‌ها [English] | ||
| Dust, Prediction, Support Vector Machine (SVM), Generalized Regression Neural Network (GRNN), Sistan and Baluchestan | ||
| مراجع | ||
|
Aili, A., Xu, H., Xu, Q., & Liu, K. (2023). Aeolian dust movement and deposition under local atmospheric circulation in a desert-oasis transition zone of the northeastern Taklimakan desert. Ecological Indicators, 157, 111289. https://doi.org/10.1016/j.ecolind.2023.111289. Ansari Ghojghar, M., Araqi Nejad, S., & Bazrafshan, J. (2021). Evaluating the efficiency of the GRU-LSTM hybrid model in predicting dust storms (Case study: Khuzestan Province). Iranian Journal of Soil and Water Research, 53(8), 1695–1714. (In Persian). Ansari Ghojghar, M., Bazrafshan, J., & Araqi Nejad, S. (2022). Evaluating the efficiency of hybrid meta-models combining machine learning and Box-Jenkins for dust storm modeling (Case study: Khuzestan Province). Iranian Journal of Water and Soil Research, 53(8), 1695–1714. (In Persian). Ansari Ghojghar, M., Bazrafshan, J., Araqi Nejad, S., Parsi, E., & Soltani, S. (2020). Performance analysis of the hybrid Support Vector Machine-Wavelet model in predicting dust storms (Case study: Sistan and Baluchestan Province). Environmental Hazards Management, 7(4), 331–351. (In Persian). Ansari Ghojghar, M., Pourgholam Amiji, M., Araqi Nejad, S., Babaeian, I., & Salajegheh, A. (2021). The impact of the warm phase of ENSO on the formation of dust storms in Khuzestan and Sistan and Baluchestan provinces. Rangeland and Watershed Management Scientific-Research Journal, 74(2), 257–271. (In Persian). Ansari Ghojghar, M., Pourgholam Amiji, M., Bazrafshan, J., Araqi Nejad, S., Liaqat, A., & Hoseini Moghari, S. M. (2020). Evaluating the efficiency of Genetic Algorithm and the GA-SA hybrid method in predicting dust storms (Case study: Khuzestan Province). Iranian Journal of Water and Soil Research, 51(10), 2623–2639. (In Persian). Ansari Ghojghar, M., Pourgholam Amiji, M., Bazrafshan, J., Liaqat, A., & Araqi Nejad, S. (2020). Comparing the efficiency of statistical, fuzzy, and perceptron neural networks in predicting dust storms in critical regions of Iran. Iranian Journal of Water and Soil Research, 51(8), 2051–2063. (In Persian). Dalal, S., Lilhore, U. K., Faujdar, N., Samiya, S., Jaglan, V., Alroobaea, R., ... & Ahmad, F. (2024). Optimising air quality prediction in smart cities with hybrid particle swarm optimization-long-short term memory-recurrent neural network model. IET Smart Cities. https://doi.org/10.1049/smc2.12040. Heddam, S. (2017). Generalized regression neural network based approach as a new tool for predicting total dissolved gas (TDG) downstream of spillways of dams: A case study of Columbia River Basin dams, USA. Environmental Processes, 4(1), 235–253. https://doi.org/10.1007/s40710-017-0207-9. Khosh Kish, A., Alijani, B., & Hejazi Zadeh, Z. (2011). Synoptic analysis of dust systems in Lorestan province. Journal of Applied Research in Geographic Sciences, 11(21), 91–110. (In Persian). Li, N., & Zhang, W. (2022). Research on sand-dust storm forecasting based on deep neural network with stacking ensemble learning. IEEE Access, 10, 111855–111863. https://doi.org/10.1109/ACCESS.2022.3193653 Lu, Z. Y., Zhang, Q. M., & Zhao, Z. C. (2006, August). SVM in the sand-dust storm forecasting. In 2006 International Conference on Machine Learning and Cybernetics (pp. 3677–3681). IEEE. https://doi.org/10.1109/ICMLC.2006.258206. Pourgholam Amiji, M., Ansari Ghojghar, M., & Ahmadali, K. (2021). Predicting dust storms in Khuzestan Province using artificial neural networks. Nivar, 45(114–115), 52–69. (In Persian). Pourgholam Amiji, M., Ansari Ghojghar, M., Bazrafshan, J., Liaqat, A., & Araqi Nejad, S. (2020). Comparison of SARIMA and Holt-Winters time series models with artificial intelligence methods in predicting dust storms (Case study: Sistan and Baluchestan Province). Geographical Natural Research, 52(4), 567–587. (In Persian). Shi, L., Zhang, J., Zhang, D., Igbawua, T., & Liu, Y. (2020). Developing a dust storm detection method combining Support Vector Machine and satellite data in typical dust regions of Asia. Advances in Space Research, 65(4), 1263–1278. https://doi.org/10.1016/j.asr.2019.11.015 Nabavi, S. S., Moradi, H., & Shrifikia, M. (2019). Evaluation of dust storm temporal distribution and the relation of the effective factors with the frequency of occurrence in Khuzestan Province from 2000 to 2015. Scientific-Research Quarterly of Geographical Data (SEPEHR, 28(111), 191–203. https://doi.org/10.22131/sepehr.2019.37518. (In Persian). Zhen, Z., Li, Z., Wang, F., Xu, F., Li, G., Zhao, H., ... & Li, J. (2024). CNN-LSTM networks-based sand and dust storms monitoring model using FY-4A satellite data. IEEE Transactions on Industry Applications. https://doi.org/10.1109/TIA.2024.3124567. | ||
|
آمار تعداد مشاهده مقاله: 50 تعداد دریافت فایل اصل مقاله: 42 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب