رامتین طاووسی راد

طوفان های گرد و غبار به عنوان یکی از مهم ترین مخاطرات اقلیمی در مناطق خشک و نیمه خشک ایران به ویژه استان سیستان و بلوچستان، پیامدهای گسترده ای در ابعاد اجتماعی، اقتصادی و زیست محیطی ایجاد می کنند. یکی از چالش های اصلی در مدل سازی و پیش بینی این پدیده، عدم قطعیت در داده های ورودی و محدودیت ایستگاه های سینوپتیکی است. این پژوهش با هدف بهبود عملکرد مدل های پیش بینی، به ارزیابی نقش الگوریتم های فراابتکاری در بهینه سازی داده های ورودی پرداخته است. در این راستا، یک مدل هیبریدی مبتنی بر رگرسیون فازی خوشه بندی شده و میانگین متحرک FCMR-MA توسعه داده شد و برای بهینه سازی داده های ورودی، دو الگوریتم فراابتکاری چرخه آب و بهینه سازی علف های هرز مهاجم به کار گرفته شدند. یکی از عوامل کلیدی در تشدید و تداوم این پدیده، وقوع خشکسالی های متوالی و کاهش رطوبت خاک است که بستر تولید و انتقال گردوغبار را تقویت می کند. به منظور تحلیل پیوند بین شرایط خشکسالی و وقوع طوفان های گردوغبار، شاخص های خشکسالی SPI و SPEI نیز به عنوان متغیرهای اقلیمی در ساختار مدل لحاظ شدند. داده های مورد استفاده شامل فراوانی روزهای همراه با طوفان گردوغبار در پنج ایستگاه سینوپتیکی استان سیستان و بلوچستان طی دوره 40 ساله بود. عملکرد مدل ها با استفاده از چهار معیار ارزیابی R, RMSE, MAE, NS سنجیده شد. یافته ها نشان داد که به کارگیری الگوریتم های فراابتکاری موجب بهبود معنادار در دقت مدل نسبت به حالت بدون بهینه سازی شد. در این میان، الگوریتم علف های هرز مهاجم با دستیابی به بالاترین ضریب همبستگی (R=0.94) و کم ترین میزان خطا، عملکرد برتری نسبت به الگوریتم چرخه آب و مدل پایه ارائه کرد. به طور کلی، نتایج این مطالعه بیانگر اهمیت استفاده از الگوریتم های فراابتکاری در بهینه سازی داده های ورودی برای ارتقاء دقت مدل های پیش بینی طوفان های گردوغبار در مناطق خشک و نیمه خشک است.

پیش بینی دقیق دبی رودخانه ها یکی از چالش های اساسی در مدیریت منابع آب و طراحی سامانه هایِ هشدار سیلاب است. در پژوهش حاضر با هدف ارزیابی کارایی مدل های نوین یادگیریِ عمیق در پیش بینی دبی بیشینه روزانه، چهار مدل شامل LSTM GRU -LSTM، ConvLSTM و S-LSTM در پنج ایستگاه هیدرومتری حوزه آبخیز طالقان مقایسه شدند. پس از پیش پردازش داده ها و استخراج سناریوهای تأخیر زمانی، مدل ها بر اساس شاخص هایRMSE ، MAE، NSE و ضریب همبستگی در مجموعه های آموزش و آزمون ارزیابی شدند. نتایج نشان داد که مدل های مبتنی بر حافظه زمانی LSTM و GRU-LSTM عملکرد به مراتب دقیق تری نسبت به مدل های مکانی زمانی و نسخه های توسعه داده شده ارائه دادند. مدلGRU-LSTM بهترین دقت را با NSE بالاتر از 95/0 و خطای بسیار پایین ثبت کرد اما نتایج آزمون آماری t-student نشان داد که اختلاف آن با مدل LSTM معنادار نیست؛ به گونه ای که الگوریتم LSTM تقریباً همان سطح دقت را با هزینه محاسباتی کمتر ارائه می دهد. در مقابل، ConvLSTM و S-LSTM عملکرد ضعیف تری داشتند و پراکندگی بیشتر نقاط در نمودارهای همبستگی بیان گر محدودیت آن ها در مدل سازی سری های زمانی تک متغیره بود. تحلیل بصری نمودارهای همبستگی نیز نشان داد که LSTM و GRU-LSTM بیشترین انطباق را با خط همبستگی داشته و قادر به بازسازی الگوهای زمانی جریان به ویژه پیک ها و افت ها بودند. با توجه به تعادل میان دقت، پایداری و هزینه محاسباتی، مدل LSTM به عنوان گزینه نهایی و بهینه برای پیش بینی دبی بیشینه روزانه در حوضه آبخیز طالقان پیشنهاد می شود