این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
تحقیقات منابع آب ایران، جلد ۲۱، شماره ۱، صفحات ۸۸-۱۱۱
عنوان فارسی بررسی فرامدل هیبریدی سه‌گانه MLP- PSO- ARIMA به‌منظور پیش‌بینی شاخص FDSD (مطالعه موردی: استان خوزستان)
چکیده فارسی مقاله پژوهش حاضر با هدف بررسی عملکرد فرامدل هیبریدی سه‌گانه ماشین- کاتالیزور- جنکینز MLP- PSO- ARIMA در پیش‌بینی شاخص فراوانی روزهای همراه با طوفان گرد و غبار، در هفت ایستگاه منتخب در استان خوزستان در طول دوره آماری 50 سال (2019- 1970) و با استفاده از داده های دید افقی و کد های سازمان جهانی هواشناسی انجام شده‌است. نتایج حاصل از فرامدل هیبریدی سه‌گانه فوق با استفاده از شاخص‌های R، RMSE، MAE و NS با مدل‌‌های انفرادی MLP و ARIMA و همچنین فرامدل‌های هیبریدی MLP- PSO، ARIMA- PSO و MLP- ARIMA مورد مقایسه قرار گرفته است. تمامی مدل‌های مذکور بیشترین عملکرد خود را در ترکیب‌های فصلی اول و دوم نمایش دادند. لذا می‌توان نتیجه‌ گرفت که استفاده از یک و یا دو فصل پیشین به‌منظور پیش‌بینی شاخص FDSD در فصل‌های آتی در استان خوزستان نتایج بهتر و دقیق‌تری به‌همراه دارد و بکارگیری فصول سوم و چهارم، سبب بهبود نتیجه پیش‌بینی نخواهد شد. از طرف دیگر، دقت مدل شبکه عصبی پرسپترون چندلایه از مدل باکس- جنکینز ARIMA به‌منظور پیش‌بینی گرد و غبار استان خوزستان بیش‌تر شده است. همچنین ترکیب مدل MLP با مدل ARIMA سبب افزایش دقت نسبت به مدل‌های انفرادی MLP و ARIMA شد ولی رشد دقت آن آنچنان معنی‌دار نبود. از طرف دیگر، مدل هیبرید سه‌گانه سبب افزایش رشد معنی‌دار دقت نسبت به مدل هیبرید دو‌گانه فوق شده است.
کلیدواژه‌های فارسی مقاله طوفان گرد و غبار،الگوریتم بهینه‌سازی،هیبرید‌ سه‌گانه،شبکه عصبی مصنوعی،باکس-جنکینز،
عنوان انگلیسی A Comprehensive Analysis of the Triple-Hybrid Metamodel of MLP-PSO-ARIMA for Forecasting the FDSD Index: A Case Study of Khuzestan Province
چکیده انگلیسی مقاله This study aims to evaluate the performance of the triple-hybrid metamodel MLP-PSO-ARIMA in forecasting the frequency of dust storm days (FDSD) index across seven selected stations in Khuzestan Province during a 50-year statistical period (1970–2019). The results of the proposed triple-hybrid metamodel were compared against the standalone MLP and ARIMA models, as well as the hybrid models MLP-PSO, ARIMA-PSO, and MLP-ARIMA, using performance metrics including R, RMSE, MAE, and NS. All the tested models demonstrated their highest accuracy during the first and second seasonal combinations. Accordingly, it was concluded that utilizing data from one or two preceding seasons yields more accurate predictions of the FDSD index for subsequent seasons in Khuzestan Province, whereas incorporating data from the third and fourth seasons does not enhance forecasting performance. Moreover, the multilayer perceptron (MLP) neural network outperformed the Box-Jenkins ARIMA model in predicting dust storm events in the region. While combining the MLP and ARIMA models improved the accuracy compared to their standalone counterparts, the improvement was not statistically significant. In contrast, the proposed triple-hybrid metamodel exhibited a statistically significant enhancement in accuracy over the dual-hybrid models.
کلیدواژه‌های انگلیسی مقاله طوفان گرد و غبار,الگوریتم بهینه‌سازی,هیبرید‌ سه‌گانه,شبکه عصبی مصنوعی,باکس-جنکینز
نویسندگان مقاله محمد انصاری قوجقار |
استادیار. گروه مهندسی احیا مناطق خشک و کوهستانی. دانشکده منابع طبیعی. دانشگاه تهران. کرج. ایران.

نشانی اینترنتی https://www.iwrr.ir/article_219574_3e96096aed375517f140035cc2ee6a20.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات