ارزیابی کارایی مدل هیبریدی GRU-LSTM در پیش بینی طوفان های گرد و غبار (مطالعه موردی: استان خوزستان)
- سال انتشار: 1400
- محل انتشار: فصلنامه تحقیقات منابع آب ایران، دوره: 17، شماره: 1
- کد COI اختصاصی: JR_IWRR-17-1_002
- زبان مقاله: فارسی
- تعداد مشاهده: 234
نویسندگان
دانشجوی دکتری گروه مهندسی آبیاری و آبادانی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران.
دانشیار گروه مهندسی آبیاری و آبادانی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران.
دانشیار گروه مهندسی آبیاری و آبادانی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران.
دانشیار دانشکده مهندسی عمران، پردیس دانشکده های فنی، دانشگاه تهران، تهران، ایران.
دانشجوی دکتری علوم و مهندسی آب، دانشکده کشاورزی و منابع طبیعی، دانشگاه ازاد اسلامی واحد اهواز، ایران.
چکیده
درک صحیح از وقوع طوفان های گرد و غبار در هر منطقه و آگاهی از تغییرات زمانی- مکانی این پدیده به مدیریت و کاهش خسارت های ناشی از گرد و غبار کمک شایانی می کند. در سال های اخیر، توسعه فرامدل ها و ترکیب آن ها با الگوریتم های بهینه سازی به منظور مدل سازی و پیش بینی متغیرهای آب و هوایی، مورد توجه زیادی قرار گرفته است. از این رو در مطالعه حاضر، نوعی رویکرد ترکیبی به منظور پیش بینی فراوانی روزهای همراه با طوفان گرد و غبار (FDSD) در مقیاس فصلی پیشنهاد شده که در آن از ترکیب شبکه های عصبی LSTM و GRU استفاده می شود. در این پژوهش، عملکرد مدل هیبریدی پیشنهادی با شبکه عصبی مبتنی بر توابع پایه شعاعی (RBF) و ماشین بردار پشتیبان (SVM) مورد مقایسه قرار گرفته است. بدین منظور، از داده های ساعتی گرد و غبار و کدهای سازمان جهانی هواشناسی در مقیاس فصلی با طول دوره آماری ۳۰ ساله (۲۰۱۹-۱۹۹۰) در هفت ایستگاه سینوپتیک استان خوزستان استفاده شد. نتایج معیارهای ارزیابی در مرحله آموزش و آزمایش مدل ها نشان داد که مدل هیبریدی GRU-LSTM عملکرد بهتری نسبت به سایر مدل های مورد استفاده به منظور پیش بینی فراوانی روزهای همراه با طوفان گرد و غبار ارائه می نماید؛ به طوری که مدل هیبریدی پیشنهادی با ضریب همبستگی (۰/۹۸۸-۰/۹۰۵=R)، ریشه میانگین مربعات خطا (RMSE=۰/۳۱۳-۰/۴۰۲ day)، میانگین قدر مطلق خطا (MAE= ۰/۱۴۴-۰/۲۲۶ day) و ضریب نش -ساتکلیف (۰/۹۰۳-۰/۸۱۹=NS)، عملکرد بهتری نسبت به سایر مدل های مورد استفاده در پیش بینی شاخص FDSD داشته است. در مجموع با مقایسه مدل های مورد استفاده، روش هیبریدی GRU-LSTM بهترین عملکرد و بعد از آن مدل SVM بهترین نتیجه را ارائه نمود. لذا مدل هیبریدی پیشنهادی میتواند به عنوان ابزاری مناسب جهت پیش بینی شاخص FDSD و به تبع آن اتخاذ تصمیمات مدیریتی به منظور کاهش خسارات طوفان های گرد و غبار، در منطقه مطالعاتی مورد استفاده قرار گیرد.کلیدواژه ها
پیش بینی, طوفان گرد و غبار, روش ماشین بردار پشتیبان, روش GRU-LSTM, خوزستاناطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.