مقایسه عملکرد مدل های سری زمانی SARIMA و Holt-Winters با روشه ای هوش مصنوعی در پیش بینی طوفان های گردوغبار (مطالعه موردی: استان سیستان و بلوچستان)

هدف از این پژوهش مقایسه عملکرد مدلهای سری زمانی SARIMA و Holt-Winters با روشهای هوش مصنوعی شامل شبکه عصبی مبتنی بر توابع پایه 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 دوره آماری ۲۵ساله (۱۹۹۰-۲۰۱۴) استفاده شد. نتایج نشان داد روش ANFIS، نسبت به سایر روشها، بهترین عملکرد را داشت و معیارهای ارزیابی R، RMSE، MAE، و NS آن به ترتیب از ۷۲/۰، ۵۷/۰، ۴۲/۰، و ۷۱/۰ تا ۹۵/۰، ۵۱/۰، ۴۰/۰، و ۹۶/۰ متغیر بود. همچنین، با افزایش شاخص متوسط FDSD در ایستگاهها (از ۰۶/۱ تا ۱۱/۷)، دقت پیشبینی همه روشها افزایش داشت. بر همین اساس، در سری زمانی SARIMA، ضریب همبستگی بین مقادیر مشاهداتی و پیشبینیشده شاخص FDSD از ۶۴/۰ به ۷۹/۰ افزایش یافت. برای روشهای Holt-Winters، RBF، و ANFIS مقدار نیز ضریب همبستگی به ترتیب از ۷۰/۰ تا ۸۷/۰، ۶۹/۰ تا ۹۲/۰، و ۷۲/۰ تا ۹۵/۰ متغیر بود. درمجموع، با مقایسه روشهای مورد استفاده، روش هوش مصنوعی ANFIS بهترین و مدلهای سری زمانی SARIMA و Holt-Winters بدترین عملکرد را داشتند.

کلیدواژه ها:

تحلیل سری زمانی ، شبکههای عصبی ، گردوغبار ، ACF و PACF ، نواحی بحرانی گردوغباری