توسعه مدل ناپارامتریک K نزدیکترین همسایه با کاتالیزور فراابتکاری PSO به منظور مدل سازی طوفان های گرد و غباری در غرب ایران

چکیده مبسوط مقدمه: طوفان های گرد و غبار از مهم ترین مخاطرات اقلیمی در مناطق خشک و نیمه خشک ایران به شمار می آیند و با پیامدهایی نظیر کاهش دید افقی، آلودگی شدید هوا، تهدید سلامت عمومی، کاهش بازدهی محصولات کشاورزی و آسیب به زیرساخت های شهری و روستایی همراه هستند. در سال های اخیر، به ویژه در مناطق غربی کشور، روند افزایشی در شدت، بسامد و گستره مکانی این پدیده مشاهده شده است. این روند نگران کننده عمدتا تحت تاثیر مجموعه ای از عوامل طبیعی نظیر خشکسالی های مکرر، افت رطوبت خاک و وزش بادهای شدید، در کنار عوامل انسانی همچون تغییرات نامتوازن کاربری اراضی، بهره برداری بی رویه از منابع آب و مدیریت ناپایدار سرزمین شکل گرفته است. نظر به تبعات گسترده این پدیده بر محیط زیست و زندگی ساکنان آن مناطق، پیش بینی دقیق پیش بینی دقیق تعداد روزهای گرد و غباری در بازه های زمانی مشخص، به عنوان ابزاری کلیدی در کاهش خسارات و تصمیم گیری های مدیریتی و عملیاتی اهمیت فراوان دارد. دستیابی به این هدف مستلزم بهره گیری از روش های نوین داده محور و الگوریتم های هوش مصنوعی است که می توانند در شناسایی الگوهای پیچیده، غیرخطی و غیرقطعی موثر واقع شوند.مواد و روش ها: در این پژوهش، یک مدل ناپارامتریک پیش بینی بر پایه الگوریتم K نزدیک ترین همسایه (KNN) توسعه داده شد که با بهره گیری از الگوریتم فراابتکاری ازدحام ذرات (PSO) به عنوان کاتالیزور، ساختار مدل بهینه سازی و دقت پیش بینی آن ارتقاء یافت. داده های مورد استفاده شامل شاخص فراوانی روزهای همراه با طوفان گرد و غبار (FDSD) از ۲۶ ایستگاه سینوپتیک واقع در ۱۱ استان در نیمه غربی کشور، طی یک دوره بلندمدت ۴۰ ساله (۱۹۸۱ تا ۲۰۲۰) بود. برای ساخت مدل پیش بینی، از مقادیر تاخیری شاخص FDSD در قالب چهار گام زمانی گذشته به عنوان ورودی استفاده شد تا الگوی تغییرات زمانی این پدیده به درستی شناسایی شود. در مرحله نخست، مدل پایه KNN با تنظیم پارامتر k اجرا شد و سپس الگوریتم PSO برای بهینه سازی پارامترهای کلیدی مدل، از جمله تعداد همسایگان موثر و وزن دهی به متغیرهای ورودی، به کار گرفته شد. ارزیابی عملکرد مدل ها با استفاده از چهار معیار آماری شامل ضریب همبستگی (R)، جذر میانگین مربعات خطا (RMSE)، میانگین قدر مطلق خطا (MAE) و ضریب کارایی نش-ساتکلیف (Nash-Sutcliffe Efficiency – NS) صورت گرفت تا میزان دقت و پایداری مدل در پیش بینی شاخص FDSD سنجیده شود.نتایج و بحث: نتایج نشان داد که مدل KNN-PSO عملکرد بهتری نسبت به مدل انفرادی KNN دارد. استفاده از الگوریتم PSO موجب شد تا پارامترهای حساس مدل KNN از جمله تعداد بهینه همسایگان (k) و وزن دهی به متغیرهای ورودی به صورت خودکار و بهینه تعیین شود. به طوری که در ایستگاه آبادان، ضریب همبستگی (r) مدل KNN-PSO به ۹۹۷/۰ افزایش و ضریب RMSE به ۱۱۳/۰ کاهش یافت، در حالی که این مقادیر در مدل KNN به ترتیب ۶۵۴/۰ و ۴۳۷/۰ بودند که نشان دهنده بهبود چشمگیر دقت پیش بینی با استفاده از فرامدل ترکیبی است. مقایسه مقادیر مشاهداتی و پیش بینی شده، بهبود عملکرد مدل ها را با افزایش فراوانی روزهای گرد و غباری تایید می کنند. در این میان، ایستگاه آبادان که بالاترین مقدار شاخص FDSD را در میان ایستگاه های مطالعه شده دارد، بیشترین انطباق بین مقادیر مشاهداتی و پیش بینی شده را نشان داد. به طور کلی، ایستگاه های پرگرد و غبار مانند آبادان، اهواز، مسجدسلیمان، بستان، سرپل ذهاب و بندرماهشهر، همبستگی بالایی بین مقادیر واقعی و پیش بینی شده داشتند؛ به گونه ای که در نمودارهای پراکندگی، به خط نیمساز ربع اول (f(x)=x) بسیار نزدیک بودند و نشان دهنده کارائی بالای مدل KNN-PSO می باشند. همچنین نتایج نشان داد که به کارگیری شاخص های تاخیری از فصول گذشته موجب بهبود عملکرد مدل نشد و مدل های ساده تری که تنها از یک گام تاخیر استفاده کردند، دقت بالاتری را ارائه دادند.نتیجه گیری: به طور کلی، نتایج نشان داد که مدل ترکیبی KNN-PSO قادر است دقت پیش بینی فراوانی روزهای همراه با طوفان گرد و غبار را به ویژه در ایستگاه هایی با فراوانی بالا نظیر آبادان، به طور معنی داری افزایش دهد. این مدل با استفاده از قابلیت الگوریتم PSO در تعیین خودکار و بهینه پارامترهای حساس مدل KNN، توانست عملکرد پیش بینی را نسبت به مدل پایه بهبود دهد. یافته ها نشان می دهند که تلفیق الگوریتم های بهینه سازی فراکاوشی مانند PSO با مدل های داده محور ساده نظیر KNN نه تنها موجب افزایش دقت و کارایی پیش بینی در مناطق پرچالش اقلیمی می شود، بلکه می تواند پایداری و تعمیم پذیری این مدل ها را در شرایط متغیر اقلیمی و مکانی نیز ارتقاء دهد؛ بنابراین، استفاده از چنین رویکردهای ترکیبی می تواند به عنوان راهکاری موثر برای پایش و مدیریت بهتر مخاطرات اقلیمی از جمله طوفان های گرد و غبار در مناطق خشک و نیمه خشک مورد توجه قرار گیرد.

کلیدواژه ها:

الگوریتم فراکاوشی ، بهینه سازی ازدحام ذرات ، طوفان گرد و غبار ، مدل های ترکیبی ، هوش مصنوعی