سال 16، شماره 2 - ( تابستان 1405 )
جلد 16 شماره 2 صفحات 178-154 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Ansari ghojghar M, Tavoosi Rad R. The prediction of dust storm events using the integrated triple model GRNN-AF-ARMA and the Ensemble Kalman filter approach (Case Study: Khuzestan Province). E.E.R. 2026; 16 (2) :154-178
URL: http://magazine.hormozgan.ac.ir/article-1-929-fa.html
URL: http://magazine.hormozgan.ac.ir/article-1-929-fa.html
انصاری قوجقار محمد، طاوسی راد رامتین. بررسی پیشبینی طوفانهای گرد و غبار با استفاده از مدل تلفیقی سهگانه GRNN-AF-ARMA و راهکار فیلتر کالمن تجمعی (مطالعه موردی: استان خوزستان). پژوهش هاي فرسايش محيطي. 1405; 16 (2) :154-178
گروه مهندسی احیاء مناطق خشک و کوهستانی، دانشکده منابع طبیعی، دانشگاه تهران، کرج، ایران. ، ansari.ghojghar@ut.ac.ir
چکیده: (253 مشاهده)
شناخت دقیق تغییرات زمانی و مکانی پدیدههای اقلیمی مخرب، گامی اساسی در مدیریت یکپارچه این مخاطرات است. در سالهای اخیر، استفاده از فرامدلهای هیبریدی دوگانه بهمنظور شبیهسازی طوفانهای گرد و غبار و مقابله با این پدیده و کاهش اثرات مخرب آن بر محیط زیست و سلامت انسانها، مورد توجه گستردهای قرار گرفته است. در این پژوهش، مدلسازی شاخص فراوانی روزهای همراه با طوفان گرد و غبار در استان خوزستان طی دوره آماری ۵۰ ساله (۱۹۷۱ تا ۲۰۲۰) انجام شد. عملکرد فرامدل هیبریدی سهگانه GRNN–AF–ARMA در پیشبینی این شاخص با مدلهای منفرد GRNN و ARMA و همچنین فرامدلهای دوگانه GRNN–AF،ARMA–AF و GRNN–ARMAمقایسه گردید که نتایج بیانگر برتری قابل توجه فرامدل هیبریدی سهگانه بود. در مرحله بعد، بهمنظور افزایش دقت و پایداری پیشبینیها، فیلتر کالمن تجمعی جهت تصحیح و بهینهسازی خروجی مدل هیبریدی مذکور بهکار گرفته شد. نتایج نشان داد که ادغام این فیلتر با فرامدل سهگانه، موجب افزایش چشمگیر ضریب همبستگی و ضریب نش ساتکلیف شده است. به طوری که مقادیر بیشتر از 964/0 برای ضریب نش ساتکلیف و مقادیر بیشتر از 953/0 برای ضریب همبستگی به ثبت رسید. این افزایش دقت در پیشبینی دقیقتر این پدیده حدی اقلیمی و تلاش برای کاهش اثرات مخرب آن، تاثیر بهسزایی دارد. بنابراین، مدل پیشنهادی توانمندی بالایی در پیشبینی الگوهای زمانی و مکانی طوفانهای گرد و غبار در استان خوزستان دارد. از نتایج پژوهش حاضر میتوان بر سایر مناطق مشابه درگیر با پدیده گرد و غبار مانند استانهای غربی کشور ایران بهره برد. یافتههای این مطالعه تأکید میکند که بهرهگیری از فیلتر کالمن تجمعی(EnKF) در بهبود پایداری و دقت پیشبینی مدلهای هیبریدی، نقش مهمی ایفاء میکند. یافتههای این پژوهش میتواند بهعنوان ابزاری کارآمد در برنامهریزی مدیریتی و اتخاذ تدابیر پیشگیرانه بهمنظور کاهش خسارات ناشی از طوفانهای گرد و غبار مورد استفاده قرار گیرد.
نوع مطالعه: پژوهشي |
موضوع مقاله:
مدلسازی و تحلیل زمانی و مکانی رخداد انواع مختلف فرسایش محیطی
دریافت: 1405/2/1 | انتشار: 1405/5/25
دریافت: 1405/2/1 | انتشار: 1405/5/25
فهرست منابع
1. Alshammari, R. K., Alrwais, O., & Aksoy, M. S. (2024). Machine learning forecast of dust storm frequency in Saudi Arabia using multiple features. Atmosphere, 15(5), 520. [DOI:10.3390/atmos15050520]
2. Ansari ghojghar, M., Pourgholam-Amiji, M., Bazrafshan, J., Liaghat, A. & Araghinejad, S. (2020a). 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. doi: 10.22059/ijswr.2020.302529.668607 (In Persian)
3. Ansari Ghojghar, M., Bazrafshan, J., Araghinejad, S., Parsi, E. & Soltani, S. (2020b). Evaluation of the performance of the support-wavelet vector machine hybrid model in predicting dust storms (Case study: Sistan and Baluchestan province). Environmental Management Hazards, 7(4), 331-351. doi: 10.22059/jhsci.2021.314582.614 (In Persian)
4. Baddock, M. C., Strong, C. L., Leys, J. F., Heidenreich, S. K., Tews, E. K., & McTainsh, G. H. (2014). A visibility and total suspended dust relationship. Atmospheric Environment, 89, 329-336. [DOI:10.1016/j.atmosenv.2014.02.038]
5. Boye, C. B., Boye, P., & Ziggah, Y. Y. (2024). Comparative study of suspended sediment load prediction models based on artificial intelligence methods. In Artificial Intelligence and Applications (Vol. 2, No. 2, pp. 155-168). [DOI:10.47852/bonviewAIA3202832]
6. Dehghani, R., Torabi poudeh, H., Younesi, H. & SHahinejad, B. (2020). Aplication of the Hybrid Model of Support Vector Machine-Algorithm Artificial Flora in Estimating the Daily Flow of Rivers (Case study: Dez basin). Iran-Water Resources Research, 16(2), 132-149. (In Persian)
7. 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), 4. [DOI:10.3390/rs11010004]
8. Goudie, A. S., & Middleton, N. J. (2006). Desert dust in the global system. Springer Science & Business Media.
9. Griffin, D. W., & Kellogg, C. A. (2004). Dust storms and their impact on ocean and human health: Dust in Earth's atmosphere. EcoHealth, 1(3), 284-295. [DOI:10.1007/s10393-004-0120-8]
10. Hoseinali Zadeh, S., & Safabakhsh, R. (2008). Financial time series forecasting using ARMA-GARCH-GRNN model. Annual National Conference of the Iranian Computer Society. SID. https://sid.ir/paper/811150/fa (In Persian)
11. Kazemzadeh Varzaneh, A., Fazeli, M. & Montaseri, H. (2024). Estimation Missing Stream Flow Data of Hydrometric Gauge Using Support Vector Regression and Ensemble Kalman Filter (EnKF) Technique (Case Study: Upstream Zayandehrud Basin). Iran-Water Resources Research, 20(1), 181-196. doi: 10.22034/iwrr.2024.382843.2735 (In Persian)
12. Liu, S., Liu, K., Wang, Z., Liu, Y., Bai, B., & Zhao, R. (2025). Investigation of a transformer-based hybrid artificial neural networks for climate data prediction and analysis. Frontiers in Environmental Science, 12, 1464241. [DOI:10.3389/fenvs.2024.1464241]
13. Mohammadi, G. H. (2015). Analysis of atmospheric mechanisms in dust transport over west of Iran (Doctoral dissertation, Ph. D, Tabriz University, p. 142, In Persian).
14. Nazari, S., Kermani, M., Fazlzadeh, M., Matboo, S. A., & Yari, A. R. (2016). The origins and sources of dust particles, their effects on environment and health, and control strategies: A review. Journal of Air Pollution and Health, 1(2), 137-152.
15. 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. [DOI:10.1016/j.aeolia.2013.10.004]
16. Pang, M., Jin, J., Segers, A., Jiang, H., Han, W., Buyantogtokh, B., ... & Liao, H. (2024). Valid time shifting ensemble Kalman filter (VTS-EnKF) for dust storm forecasting. Geoscientific Model Development, 17(22), 8223-8242. [DOI:10.5194/gmd-17-8223-2024]
17. Qing-Dao-Er-Ji Ren, N., & Li, W. Z. (2022). Research on Sand-Dust Storm Forecasting Based on Deep Neural Network with Stacking Ensemble Learning. IEEE Access, 10, 111855-111863. [DOI:10.1109/ACCESS.2022.3216309]
18. 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. [DOI:10.1016/j.atmosenv.2020.117320]
19. Schepanski, K., Flamant, C., Chaboureau, J. P., Kocha, C., Banks, J. R., Brindley, H. E., ... & Tulet, P. (2013). Characterization of dust emission from alluvial sources using aircraft observations and high‐resolution modeling. Journal of Geophysical Research: Atmospheres, 118(13), 7237-7259. [DOI:10.1002/jgrd.50538]
20. Specht, D. F. (1991). A general regression neural network. IEEE Transactions on Neural Networks, 2(6), 568-576. [DOI:10.1109/72.97934]
21. Wiegand RP, & Sarma, J. (2004). Spatial Embedding and loss of gradient in cooperative coevolutionary algorithms. In Proceedings of the International Conference on Parallel Problem Solving from Nature, Berlin Germany. 43, 912-921. [DOI:10.1007/978-3-540-30217-9_92]
22. Yarmohamadi, M., Alesheikh, A. A., & Sharif, M. (2025). Using Hybrid Deep Learning Models to Predict Dust Storm Pathways with Enhanced Accuracy. Climate, 13(1), 16. [DOI:10.3390/cli13010016]
23. Zeinali, B. (2016). Investigation of frequency changes trend of days with dust storms in western half of Iran. Journal of Natural Environmental Hazards, 5(7), 87-100.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
