ارزیابی کارایی مدل هیبریدی GRU-LSTM در پیش بینی طوفان های گرد و غبار (مطالعه موردی: استان خوزستان)

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.