جغرافیا (نشریۀ انجمن جغرافیایی ایران)

جغرافیا (نشریۀ انجمن جغرافیایی ایران)

پیش‌بینی وقوع طوفان‌های گرد و غبار با استفاده از ارزیابی دقت شبکه‌های عصبی مصنوعی در ایستگاه‌های منتخب نیمه غربی ایران

نوع مقاله : مقاله مستخرج از رساله دکتری

نویسندگان
فاطمه وطن پرست قلعه‌جوق 1
برومند صلاحی 2
بتول زینالی 3
1 دانشجوی دکتری آب و هواشناسی، گروه جغرافیای طبیعی، دانشکده علوم اجتماعی، دانشگاه محقق اردبیلی، اردبیل، ایران.
2 استاد آب و هواشناسی، گروه جغرافیای طبیعی، دانشکده علوم اجتماعی، دانشگاه محقق اردبیلی، اردبیل، ایران.
3 استاد آب و هواشناسی، دانشکده علوم اجتماعی، گروه جغرافیای طبیعی، دانشگاه محقق اردبیلی، اردبیل، ایران.
10.22034/jiga.2025.2046840.1356
چکیده
امروزه پدیده گرد و غبار در شمار مهم‌ترین مخاطرات طبیعی قرار گرفته و اثرات نامطلوبی بر سلامتی انسان، کشاورزی و محیط‌زیست برجای گذاشته است. هدف پژوهش حاضر پیش‌بینی فراوانی طوفان‌های گرد و غبار در ۱۷ ایستگاه منتخب نیمه غربی ایران است. بدین منظور، برای محاسبه فراوانی از کدهای گرد و غبار و دید افقی کمتر از ۱ کیلومتر دوره آماری ۲۰۲۳-۱۹۸۷ استفاده شد. سپس شبکه‌های عصبی توابع پایه شعاعی (RBF)، پرسپترون چندلایه (MLP)، سیستم استنتاج عصبی -فازی (ANFIS) و رگرسیون بردار پشتیبان (SVR) جهت پیش‌بینی گرد و غبار انتخاب شد. داده‌های رطوبت، دما، بارش، سرعت و جهت باد به‌عنوان داده‌های ورودی و داده روزهای توأم با گرد و غبار به‌عنوان هدف، در مدل‌سازی‌ها‌ به کار گرفته شد. داده‌ها به دو گروه تقسیم شدند. از ۸۰ درصد داده‌ها برای آموزش و از ۲۰ درصد دیگر برای آزمون شبکه استفاده شد. نتایج مقایسه مدل‌های مورد استفاده نشان داد که بر اساس نتایج حاصل از مدل RBF، بیشترین مقدار ضریب همبستگی در ایستگاه‌های کرمانشاه، رامهرمز و اسلام‌آبادغرب به ترتیب برابر با ۹۹/۰، ۹۷/۰ و ۹۵/۰ بوده است. در مجموع، این مدل به دلیل خطای کمتر و همبستگی بیشتر در ایستگاه‌ها بهترین عملکرد را ارائه نموده است؛ بنابراین به دلیل داشتن توانایی بالا، می‌تواند یک راهکار سریع در پیش‌بینی مقدار گرد و غبار و پراکنش آن باشد. نتایج خروجی مدل RBF برای پیش‌بینی گرد و غبار در آینده (۲۰۴۰-۲۰۲۴) نشان داد احتمال رخداد طوفان‌های گرد و غبار در آبادان و اهواز بیشتر بوده و همانند دوره مشاهداتی، الیگودرز را می‌توان جزو ایستگاه کم‌باد منطقه به‌ حساب آورد.
کلیدواژه‌ها
پیش‌بینی
شبکۀ عصبی
طوفان گرد و غبار
مدل‌سازی
نیمۀ غربی ایران

موضوعات

عنوان مقاله English

Forecasting the Occurrence of Dust Storms using the Accuracy Assessment of Artificial Neural Networks in Selected Stations in the Western Half of Iran

نویسندگان English

Fatemeh Vatanparast Galeh Juq 1
Bromand Salahi 2
Batool Zeinali 3
1 Ph.D. student in Climatology, Department of Physical Geography, Faculty of Social Sciences, University of Mohaghegh Ardabili, Ardabil, Iran.
2 Professor of Climatology, Department of Physical Geography, Faculty of Social Sciences, University of Mohaghegh Ardabili, Ardabil, Iran.
3 Professor of Climatology, Department of Physical Geography, Faculty of Social Sciences, University of Mohaghegh Ardabili, Ardabil, Iran.
چکیده English

Extended Abstract
Introduction
Dust is a characteristic of dry areas or any area that is located near the source of dust generation and benefits from its consequences by being located in the path of dust systems. Dust storms are one of the natural hazards that can have adverse effects on human health, agriculture and the environment. Iran is one of the arid regions of the world that is affected by severe dust storm events. The primary source of dust storms in western Iran often originates from Iraq, Syria and Saudi Arabia
 
Methodology
In this study, hourly dust data (horizontal visibility and current weather codes), average temperature, precipitation, humidity, and wind speed and direction data for 1987-2023 were used. Clustering was performed using the (FCM) method. In order to accurately predict future dust storms, RBF, MLP, ANFIS, and SVR neural network models were used, and to select the appropriate model, the accuracy criteria of Mean Square Error (MSE), Root Mean Square Error (RMSE), and correlation coefficient (R) were used. After selecting the appropriate model, the forecast of changes in dusty days for the coming years (2024-2040) was made and the output data was zoned.
 
Results and Discussion
Analysis based on the FCM method showed that the critical situation cluster includes Abadan and Ahvaz stations. The results of the evaluation and testing indicators of models for dust prediction showed that the best performance for dust estimation based on less error and more correlation is the RBF neural network model. The results of simulation of the observed and predicted values of dust storms of the studied stations for the test data by RBF showed that the curves of the observed and predicted values are close to each other; therefore, this model was able to model and predict days with dust storms with acceptable accuracy using the input variables. The forecast of dust conditions in the years 2024-2040 showed the highest dust frequency for Abadan, Ahvaz and Masjed-e-Suleiman stations, which are equal to 204, 185 and 144 days, respectively.
 
Conclusion
Paying attention to the dangers of dust storms, identifying the areas affected by them, and realistically predicting them will improve the quality of life and increase human health, and can be effective in environmental planning and optimal and desirable protection of natural resources. The results of this study showed that artificial neural network methods have higher superiority and accuracy and can extract hidden relationships between inputs and outputs.

کلیدواژه‌ها English

Dust Storm
Prediction
Modeling
Neural Network
Western Half of Iran
  1. ارجمندی، حمیدرضا؛ خیرعلی پور؛ کامران و عمارلویی، علی (۱۴۰۳). پیش‎بینی غلظت گرد و غبار در مقیاس آزمایشگاهی با استفاده از فناوری‎های پردازش تصویر و هوش مصنوعی، پژوهش‌های مکانیک ماشین‌های کشاورزی، (۲)۱۳، ۹-۱.https://doi.org/10.22034/jrmam.2024.14177.642
  2.   اسفندیاری، فریبا؛ حسینی، اسعد؛ آزادی، محمد و  حجازی زاده، زهرا (۱۳۸۹). پیش‌بینی میانگین دمای ماهانۀ ایستگاه سینوپتیک سنندج با استفاده از مدل (MLP) شبکۀ عصبی مصنوعی پرسپترون چند لایه. جغرافیا ( فصلنامۀ علمی انجمن جغرافیایی ایران)، ۸(۲۷)، ۶۵-۴۵.
  3. امیرعضدی، امیررضا؛ جعفری، محمد؛ زارع، سلمان و خسروی، حسن (۱۳۹۹). اولویت بندی و شناسایی کانون های گرد و غبار در استان فارس، جغرافیا ( فصلنامۀ علمی انجمن جغرافیایی ایران)، ۱۸(۶۴)، ۷۸-۶۴.
  4. پورغلام آمیجی، مسعود؛ انصاری قوجقار؛ محمد و احمدالی، خالد (۱۴۰۰). پیش‌بینی طوفان‌های گرد و غبار در استان خوزستان با استفاده از شبکه‌های عصبی مصنوعی، نیوار، (۱۱۵-۱۱۴)۴۵، ۷۵-۵۶.https://doi.org/10.30467/nivar.2021.303747.1200
  5. صلاحی، برومند؛ مرادی،, مسعود و عالی جهان، مهدی (۱۳۹۴). واکاوی شرایط همدید- سنجش از دور رخداد توفان گرد و خاک در شمال غرب ایران (مهر ۱۳۹۲)، جغرافیا ( فصلنامۀ علمی انجمن جغرافیایی ایران)، ۱۳(۴۴)، ۹۳-۷۳.
  6. عفیفی، محمد ابراهیم (۱۳۹۶). پایش ریزگردها با استفاده از تصاویر چند طیفی ماهواره مادیس در جنوب غربی ایران، جغرافیا (فصلنامۀ علمی انجمن جغرافیایی ایران)، ۱۵(۵۵)، ۱۹۴-۱۸۴.https://doi.org/10.22034/iga.2025.2045564.1347
  7. کیخسروی، سید سعید؛ نژادکورکی، فرهاد و امین طوسی، محمود (۱۳۹۸). ارزیابی دقت‌ شبکه‌های عصبی مصنوعی (MLP و RBF) در پیش‌بینی گرد و غبار کارخانۀ سیمان سبزوار، مجلۀ پژوهش در بهداشت محیط، (۱)۵، ۵۲-۴۳.https://doi.org/10.22038/jreh.2019.38083.1277
  8. مدبرپور، علی؛ گندمکار، امیر و خداقلی، مرتضی (۱۳۹۸). بررسی زمانی- مکانی مخاطرۀ گرد و غبار (مطالعۀ موردی: ایستگاه های یاسوج و دوگنبدان)، جغرافیا ( فصلنامۀ علمی انجمن جغرافیایی ایران)، ۱۷(۶۱)، ۱۰۸-۹۱.
  9. موغلی، مرضیه و نخعی نژاد فرد، احمد رضا (۱۳۹۷). تحلیل آمار فضایی ریزگردهای استان خوزستان، جغرافیا ( فصلنامۀ علمی انجمن جغرافیایی ایران)، ۱۶(۵۶)، ۱۹۱-۱۷۸.
  10. یزدان پناه درو، کیومرث؛ عبدی، عطاءالله؛ کامران دستجردی، حسن و جوکار، فرزاد (۱۳۹۷). تحلیل ژئوپلیتیک امنیت زیست محیطی پدیدۀ ریزگردها مطالعۀ موردی: جنوب غرب آسیا، جغرافیا ( فصلنامۀ علمی انجمن جغرافیایی ایران)، ۱۶(۵۶)، ۵۱-۳۶.
  11. Adıguzel, E., Ozer, E., Akgundogdu, A. & Yılmaz, A.E. (2019). Prediction of dust particle size effect on efficiency of photovoltaic modules with ANFIS: an experimental study in Aegean region, Turkey Solar Energy, 177, 690–702.https://doi.org/10.1016/j.solener.2018.12.012
  12. Ahmadaali, K. A., Parsinejad, M. & Rahmani, B. (2009). Estimation of saturation percentage of soil using multiple regression, ANN, and ANFIS techniques, Computer and Information Science, 2, 127.http://dx.doi.org/10.5539/cis.v2n3p127.
  13. Al-Dousari, A., Omar, A., Al-Hemoud, A., Aba, A., Alrashedi, M., Alrawi, M., Rashki, A., Petrov, P., Ahmed, M. & Al-Dousari, N. (2022). A Success Story in Controlling Sand and Dust Storms Hotspots in the Middle East, Atmosphere, 13(1335).https://doi.org/10.3390/atmos13081335.
  14. Alizadeh-Choobari, O., Ghafarian, p. & Owlad, E. (2016). Temporal variations in the frequency and concentration of dust events over Iran based on surface observations, International Journal of Climatology, 36, 2050–2062.http://dx.doi.org/10.1002/joc.4479.
  15. Alshammari, R.K., Alrwais, O. & Aksoy, M. S. (2024). Machine Learning Forecast of Dust Storm Frequency in Saudi Arabia Using Multiple Features, Atmosphere, 15(5), 520. https://doi.org/10.3390/atmos15050520.
  16. An, L., Che, H., Xue, M., Zhang, T., Wang, H., Wang, Y. & Zhang, X. (2018). Temporal and spatial variations in sand and dust storm events in East Asia from 2007 to 2016, Relationships with surface conditions and climate change. Science of the Total Environment, 633, 452-462. https://doi.org/10.1016/j.scitotenv.2018.03.068.
  17. Ardon-Dryer, K., Mock, C., Reyes, J. & Lahav, G. (2020). The effect of dust storm particles on single human lung cancer cells, Environmental Research, 181, 108891. https://doi.org/10.1016/j.envres.2019.108891.
  18. Aryal, Y. (2022). Application of Artificial Intelligence Models for Aeolian Dust Prediction at Different Temporal Scales: A Case with Limited Climatic Data, AI, 3, 707–718. https://doi.org/10.3390/ai3030041.
  19. Asyali, M.H., Colak, D., Demirkaya, O. & Inan, M.S. (2006). Gene expression profile classification: a Curr, Bioinform, 1, 55–73. http://dx.doi.org/10.2174/157489306775330615.
  20. Chen, S., Cowan, C. F. N. & Grant, P. M. (1991). Orthogonal Least Squares Learning Algorithm for Radial Basis Function Networks, IEEE Transactions on Neural Networks, 2(2), 302-309. https://doi.org/10.1109/72.80341.
  21. Csavina, J., Field, J., Felix, O., Corral-Avitia, A. Y., Saez, A. E. & Betterton, E. (2014). Effect of wind speed and relative humidity on atmospheric dust concentrations in semi-arid climates, Science of the Total Environment, 487(1), 82-90. https://doi.org/10.1016/j.scitotenv.2014.03.138.
  22. Dahiya, S., Singh, B., Gaur, S., Garg, V. K. & Kushwaha, H. S. (2007). Analysis of groundwater quality using fuzzy synthetic evaluation, Journal of Hazardous Materials, 147(3), 938-946. https://doi.org/10.1016/j.jhazmat.2007.01.119.
  23. Darvishi Boloorani, A., Soleimani, M., Neysani Samany, N., Bakhtiari, M., Qareqani, M., Papi, R. & Mirzaei, S. (2023). Assessment of Rural Vulnerability to Sand and Dust Storms in Iran, Atmosphere, 14(2), 281. https://doi.org/10.3390/atmos14020281.
  24. Ebrahimi-Khusfi, Z., Taghizadeh-Mehrjardi, R. l., Kazemi, M. & Nafarzadegan, A.R. (2021b). Predicting the ground-level pollutants concentrations and identifying the influencing factors using machine learning, wavelet transformation, and remote sensing techniques, Atmospheric Pollution Research, 12(5), 101064. https://doi.org/10.1016/j.apr.2021.101064.
  25. Ebrahimi-Khusfi, Z., Taghizadeh-Mehrjardi, R. & Nafarzadegan, A. R. (2021a), Accuracy, uncertainty, and interpretability assessments of ANFIS models to predict dust concentration in semi-arid regions, Environmental Science and Pollution Research, 28, 6796–6810. https://doi.org/10.1007/s11356-020-10957-z.
  26. Fattahi Masrour, P. & Rezazadeh, M. (2022). Spatio-Temporal Distribution of Various Types of Dust Events in the Middle East during the Period 1996-2015, Journal of the Earth and Space Physics, 47(4), 231-248. https://doi.org/10.22059/jesphys.2021.321010.1007306.
  27. Foody, G. M. (2004). Supervised image classification by MLP and RBF neural networks with and without an exhaustively defined set of classes, International Journal of Remote Sensing, 25(15), 3091–3104. http://dx.doi.org/10.1080/01431160310001648019.
  28. Garcia Nieto. P.J., Sanchez Lasheras, F., Garcia-Gonzalo, E. & de Cos Juez, F.J. (2018). PM10 concentration forecasting in the metropolitan area of Oviedo (Northern Spain) using models based on SVM, MLP, VARMA and ARIMA: A case study, Science of The Total Environment, 621, 753-761. https://doi.org/10.1016/j.scitotenv.2017.11.291.
  29. Gholami, G., Mohamadifar, A. & Collins, A. L. (2020a). Spatial mapping of the provenance of storm dust: Application of data mining and ensemble modelling, Atmospheric Research, 233 (104716).https://doi.org/10.1016/j.atmosres.2019.104716
  30. Gholami, H., Mohamadifar, A.A., Sorooshian, A. & Jansen, J. D. (2020b). Machine-learning algorithms for predicting land susceptibility to dust emissions: The case of the Jazmurian Basin, Iran, Atmospheric Pollution Research, 11(8), 1303-1315.https://doi.org/10.1016/j.apr.2020.05.009.
  31. Goudarzi, G. R., Hopke, K. & Yazdani, M. (2021). Forecasting PM2.5 concentration using artificial neural network and its health effects in Ahvaz, Iran, Chemosphere, 283, 131285. https://doi.org/10.1016/j.chemosphere.2021.131285.
  32. Goudie, A. S. (2019). Dust storms and human In extreme weather events and hu- man health: international case studies, Cham: Springer International Publishing, 13-24. https://doi.org/10.1007/978-3-030-23773-8-2.
  33. Goudie, A.S. (2020). Dust storms and human health. Extreme Weather Events and Human Health, Springer, Cham, 13–24. http://dx.doi.org/10.1007/978-3-030-23773-8_2.
  34. Goudie, A. S. & Middleton, N. (2006). Desert dust in the global system. New York: Springer Berlin Heidelberg.
  35. Guan, Q., Sun, X., Yang, J., Pan, B., Zhao, S. & Wang, L. (2017). Dust Storms in Northern China, Long-Term Spatiotemporal Characteristics and Climate Controls, Journal of Climate, 30 (17), 6683-6700. https://doi.org/10.1175/JCLI-D-16-0795.1
  36. Hamzeh, N. H., Kaskaoutis, D. G., Rashki, A. & Mohammadpour, K. (2021). Long-Term Variability of Dust Events in Southwestern Iran and Its Relationship with the Drought, Atmosphere, 12, 1350. https://doi.org/10.3390/atmos12101350.
  37. Hamzeh, N. H., Ranjbar Saadat Abadi, A., M. C. G, O., Habibi, M. & Schoner, W. (2022). Analyses of a lake dust source in the middle east through models performance, Remote Sensing, 14(9), 1-24. https://doi.org/10.3390/rs14092145.
  38. Huang, M., Peng, G., Zhang, J. & Zhang, S. (2006). Application of artificial neural networks to the prediction of dust storms, In Northwest China Journal of Global and Planetary Change, (52), 216-224. http://dx.doi.org/10.1016/j.gloplacha.2006.02.006.
  39. Icer, S. (2013). Automatic segmentation of corpus collasum using Gaussian mixture modeling and Fuzzy C means methods, Comput. Methods Programs Biomed, 112, 38–46 . https://doi.org/10.1016/j.cmpb.2013.06.006.
  40. Jang, J. S. R. (1993). ANFIS: adaptive-network-based fuzzy inference system. IEEE transactions on systems, man, and cybernetics, 23(3), 665-685. http://dx.doi.org/10.1109/21.256541.
  41. Ji Ren, Q. D. E., Li, N. & Zhang, W. (2022). Research on Sand-Dust Storm Forecasting Based on Deep Neural Network With Stacking Ensemble Learning, Research Article, 10(38), 111855-111863 http://dx.doi.org/10.1109/ACCESS.2022.3216309.
  42. Jish Prakash, P., Stenchikov, G. L., Kalenderski, S., Osipov, S. & Bangalath, H. K. (2015). The impact of dust storms on the Arabian Peninsula and the Red Sea, Atmos. Chem. Phys, 15, 199–222. https://doi.org/10.5194/acp-15-199-2015.
  43. Kaboodvandpour, S., Amanollahi, J., Qhavami, S. & Mohammadi, B. (2015). Assessing the accuracy of multiple regressions, ANFIS, and ANN models in predicting dust storm occurrences in Sanandaj, Iran, Natural Hazards, 78, 879–893. DOI:10.1007/s11069-015-1748-0.
  44. Labban, AH. & Butt, M. (2021). Analysis of sand and dust storm events over Saudi Arabia in relation with meteorological parameters and ENSO, Arabian Journal of Geosciences, 14(1), 1-12. https://doi.org/10.1007/s12517-020-06291-w.
  45. Li, J., Garshick, E., Al-Hemoud, A., Huang, S. & Koutrakis, P. (2020). Impacts of meteorology and vegetation on surface dust concentrations in Middle Eastern countries, Science of the Total Environment, 712, 136597.https://doi.org/10.1016/j.scitotenv.2020.136597.
  46. Li, J., Garshick, E., Huang, S. & Koutrakis, P. (2021). Impacts of El Niño-Southern Oscillation on surface dust levels across the world during, Science of the Total Environment, 769, 144566. https://doi.org/10.1016/j.scitotenv.2020.144566.
  47. Liddicoat, C., Bi, P., Waycott, M., Glover, J., Lowe, A. J. & Weinstein, P. (2018). Landscape biodiversity correlates with respiratory health in Australia, Journal of Environ Manag, 206, 113–122. https://doi.org/10.1016/j.jenvman.2017.10.007.
  48. Mahmoudi, L., Amiri Doumari, S., Safarianzengir, V., Maleki, R., Kianinejad, S. & Kianian, M. K. (2020). Monitoring and Prediction of Dust and Investigating its Environmental Impacts in the Western Half of Iran and the Eastern Borders of Turkey and Iraq, Using Remote Sensing and GIS, Journal of the Indian Society of Remote Sensing, 49(5).https://doi.org/10.1007/s12524-020-01224-2.,-(
  49. Mahmoudi, L. & Ikegaya, N. (2023). Identifying the Distribution and Frequency of Dust Storms in Iran Based on Long-Term Observations from over 400 Weather Stations, Sustainability, 15(16), 12294.https://doi.org/10.3390/su151612294.
  50. Maleki, H., Sorooshian, A., Goudarzi, G., Baboli, Z., Birgani, Y. T. & Rahmati, M. (2019). Air pollution prediction by using an artificial neural network model, Clean Technologies and Environmental Policy, 21(6), 1341-1352 https://doi.org/10.1007/s10098-019-01709-w.
  51. Middleton, N. J. (2017). Desert dust hazards, a global review, Aeolian Res, 24, 53–63. https://doi.org/10.1016/j.aeolia.2016.12.001.
  52. Moghanlo, S., Alavinejad, M., Oskoei, V., Najafi Saleh, H.,Mohammadi, A. A., Mohammadi, H.& DerakhshanNejad, Z. (2021). Using artificial neural networks to model the impacts of climate change on dust phenomenon in the Zanjan region, north-west Iran, Urban Climate, 35, 100750. https://doi.org/10.1016/j.uclim.2020.100750.
  53. Nabavi, S. O., Haimberger, L., Abbasi, R. & Samimi, C. (2018). Prediction of Aerosol Optical Depth in West Asia Using Deterministic Models and Machine Learning Algorithms, Aeolian Research, 35, 69–84.https://doi.org/10.1016/j.aeolia.2018.10.002.
  54. Opp, C., Groll, M., Abbasi, H. & Foroushani, MA. (2021). Causes and effects of sand and dust storms: What has past research taught us? A survey, Journal of Risk and Financial Management, 14(7), 1-25. https://doi.org/10.3390/jrfm14070326.
  55. Rahmati, O., Panahi, M., Ghiasi, S.S., Deo, R.C., Tiefenbacher, J.P., Pradhan, B., Jahani, A., Goshtasb, H., Kornejady, A., Shahabi, H., Shirzadi, A., Khosravi, H., Moghaddam, D.D., Mohtashamian, M. & Bui, D.T. (2020a). Hybridized neural fuzzy ensembles for dust source modeling and prediction, Atmospheric Environment, 224, 117320. doi: https://doi.org/10.1016/j.atmosenv.2020.117320.
  56. Rahmati, O., Mohammadi, F.,Ghiasi, S. S., Tiefenbacher, J., DavoudiMoghaddam, D., Coulon, F., Asadi Nalivan, O. & Bui, D. T.  (2020b). Identifying sources of dust aerosol using a new framework based on remote sensing and modelling, Science of The Total Environment, 737, 139508. https://doi.org/10.1016/j.scitotenv.2020.139508.
  57. Rashki, A., Middleton, N. & Goudie, A. S. (2021). Dust storms in Iran – Distribution, causes, frequencies and impacts, Aeolian Research, 48, 100655. https://doi.org/10.1016/j.aeolia.2020.100655.
  58. Raudkivi, A. J. (2013). Hydrology: An advanced introduction to hydrological processes and modelling, Elsevier.
  59. Schepanski K. (2018). Transport of mineral dust and its impact on climate, Geosciences, 8(5), 1-19. https://doi.org/10.3390/geosciences8050151.
  60. Schober, P., Boer, C. & Schwarte, L. A. (2018). Correlation coefficients: appropriate use and interpretation, Anesth Analg, 126, 1763–1768. https://doi.org/10.1213/ANE.0000000000002864.
  61. Shi, L., Jiahua Zhang, J., Zhang, D., Igbawua, T. & Liu, Y. (2020). Developing a dust storm detection method combining Support Vector Machine and satellite data in typical dust regions of Asia, Advances in Space Research, 65(4), 1263-1278,https://doi.org/10.1023/B%3ASTCO.0000035301.49549.88.
  62. Taghizadeh-mehrjardi, R., Toomanian, N., Khavaninzadeh, A., Jafari, A. & Triantafilis, J. (2016). Predicting and mapping of soil particle-size fractions with adaptive neuro-fuzzy inference and ant colony optimization in central Iran, Eur J Soil Sci, 67, 707–725.https://doi.org/10.1111/ejss.12382.
  63. Tsai, C. W., Christina, W. & Chen, C. K. (2023). River-dust induced airborne particulate matter forecasting using a hybrid model of improved complete ensemble empirical mode decomposition with adaptive noise and radial basis function neural network, Atmospheric Environment, 312(1), 119991https://doi.org/10.1016/j.atmosenv.2023.119991.
  64. Vapnik, V. (2013). The nature of statistical learning theory, Springer science & business media.
  65. Venkatesan, P. & Anitha, S. (2006). Application of a radial basis function neural network for diagnosis of diabetes mellitus, Current Science, 91(9), 1195–1199. http://eprints.nirt.res.in/id/eprint/789.
  66. Wang, W., Samat, A., Abuduwaili, J., De Maeyer, P., d. & Voorde, T. V. D. (2023). Machine learning-based prediction of sand and dust storm sources in arid Central Asia, International Journal of Digital Earth, 16(1), 1530-1550.https://doi.org/10.1080/17538947.2023.2202421.
  67. Willmott, C.J. (1982). Some comments on the evaluation of model performance, Bulletin American Meteorological Society, 63, 1309-1313.https://doi.org/10.1175/1520-0477(1982)063%3C1309:SCOTEO%3E2.0.CO;2.
  68. Wong, M.S., Xiao, F., Nichol, J., Fung, J., Kim, J., Campbell, J. & Chan, P. W. (2015). A multi-scale hybrid neural network retrieval model for dust storm detection, a study in Asia, Atmospheric Research, 158, 89-106.https://ui.adsabs.harvard.edu/link_gateway/2015AtmRe.158...89W/doi:10.1016/j.atmosres.2015.02.006.
  69. Y., Bo, W, Li, S., & Guo, Y. (2021). Sand and dust storms in Asia: a call for global cooperation on climate change, The Lancet Planetary Health, 5(6), e329-e330.
  70. https://doi.org/10.1016/s2542-5196(21)00082-6.
  71. Xu, Z., Hou, Z., Han, Y., Guo, W. (2016). A diagram for evaluating multiple aspects of model performance in simulating vector fields, Geosci Model Dev, 9, 4365–4380. https://doi.org/10.5194/gmd-2016-172.
  72. Yadav, V., Yadav, A. K., Singh, V., Tej & Singh, T. (2024). Artificial neural network an innovative approach in air pollutant prediction for environmental applications: A review, Results in Engineering, 22, 102305,https://doi.org/10.1016/j.rineng.2024.102305.
  73. Yang, Q., Yuan, Q., Li, T., Shen, H. & Zhang, L. (2017). The relationships between PM2. 5 and meteorological factors in China: Seasonal and regional variations, International journal of environmental research and public health, 14(12), 1-19.https://doi.org/10.3390/ijerph14121510.
  74. Yilmaz, I.,& Oguz Kaynar, O. (2011). Multiple regression, ANN (RBF, MLP) and ANFIS models for prediction of swell potential of clayey soils, Expert Systems with Applications, 38(5), 5958-5966, https://doi.org/10.1016/j.eswa.2010.11.027.
  75. Zaheer, K., Saeed, S. & Tariq, S. (2023). Prediction of aerosol optical depth over Pakistan using novel hybrid machine learning model, Research Article - Atmospheric & Space Sciences, 71, 2009–2029.https://doi.org/10.1007/s11600-023-01072-x.
  76. Zeinali, B., Vatanparast Ghaleh juq, F., Teymouri, M., Das, S., Ruhi, F. & Sihag, P. (2023). Selection of the best clustering technique in order to zone the frequency of dust storms in Iran, Arab J Geosci, 16, 74, 1-15https://doi.org/10.1007/s12517-022-11135-w
جغرافیا (نشریۀ انجمن جغرافیایی ایران)
دوره 23، شماره 84
بهار 1404، صفحۀ 170-1.
بهار 1404
صفحه 21-39