دانشگاه ایلام مدیریت جامع حوزه های آبخیز 2783-4581 6 1 2026 05 22 Development of a nonparametric K-Nearest neighbors model enhanced by the PSO metaheuristic catalyst for dust storm modeling in Western Iran توسعه مدل ناپارامتریک K نزدیکترین همسایه با کاتالیزور فراابتکاری PSO به منظور مدل‌سازی طوفان‌های گرد و غباری در غرب ایران 85 106 726574 10.22034/iwm.2025.2059627.1226 FA محمد انصاری قوجقار گروه مهندسی احیاء مناطق خشک و کوهستانی، دانشکدگان کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران 0000-0003-0485-5551 هانیه محمدی گروه مهندسی آبیاری و آبادانی، دانشکدگان کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران 0009-0001-2200-7129 Journal Article 2025 05 03 Extended Abstract Introduction: Dust storms are among the most significant climatic hazards in the arid and semi-arid regions of Iran, accompanied by consequences such as reduced visibility, severe air pollution, threats to public health, decreased agricultural productivity, and damage to urban and rural infrastructure. In recent years, particularly in the western regions of the country, an increasing trend has been observed in the intensity, frequency, and spatial extent of this phenomenon. This alarming trend results from a combination of natural factors, such as recurring droughts, declining soil moisture, and strong winds, as well as human-induced drivers, including unbalanced land use changes, excessive exploitation of water resources, and unsustainable land management practices. Given the widespread impacts of this phenomenon on the environment and the livelihoods of local populations, accurately predicting the number of dusty days within specific time periods is of great importance as a critical tool for damage mitigation and informed operational and managerial decision-making. Achieving this goal requires the use of advanced data-driven methods and artificial intelligence algorithms that can be effective in identifying complex, nonlinear, and non-deterministic patterns. Materials and methods: In this study, a nonparametric predictive model based on the K-Nearest Neighbors (KNN) algorithm was developed. The Particle Swarm Optimization (PSO) metaheuristic algorithm was employed as a catalyst to optimize the model structure and enhance its prediction accuracy. The input data included the Frequency of Dust Storm Days (FDSD) index from 26 synoptic stations located in 11 provinces across western Iran, covering the long-term period from 1981 to 2020. To construct the predictive model, lagged values of the FDSD index over the four previous time steps were used as input variables to accurately capture the temporal patterns of this phenomenon. Initially, the base KNN model was implemented by adjusting the k parameter. Subsequently, the PSO algorithm was applied to optimize key model parameters, including the number of influential neighbors and the weighting of input variables. The models’ performance was evaluated using four statistical indicators: the correlation coefficient (r), root mean square error (RMSE), mean absolute error (MAE), and Nash–Sutcliffe efficiency (NS) coefficient, to assess the model’s accuracy and stability in predicting the FDSD index. Results and Discussion: The results show that the KNN-PSO model outperformed the standalone KNN model. The application of the PSO algorithm allowed for automatic and optimal determination of key KNN parameters, such as the optimal number of neighbors (k) and weighting of input variables. For instance, at Abadan station, the correlation coefficient (R) of the KNN-PSO model increased to 0.997, while the RMSE decreased to 0.113. In contrast, the KNN model values were 0.654 and 0.437, respectively, indicating a significant improvement in prediction accuracy using the hybrid model. Comparison between observed and predicted values confirmed the improved model performance with an increased frequency of dust storm days. Among the stations studied, Abadan, which recorded the highest FDSD values, showed the highest agreement between the observed and predicted data. Overall, high-dust stations, such as Abadan, Ahvaz, Masjed Soleyman, Bostan, Sarpol-e Zahab, and Bandar Mahshahr, exhibited strong correlations between actual and predicted values. In scatter plots, these predictions closely followed the 1:1 line (f(x) = x), indicating the high efficiency of the KNN-PSO model. Furthermore, results revealed that using lagged FDSD indices from previous seasons did not enhance model performance, and simpler models utilizing only one-step lag yielded more accurate predictions. Conclusions: Overall, the results demonstrate that the hybrid KNN-PSO model can significantly enhance the accuracy of predicting the frequency of dust storm days, particularly at stations with high occurrence rates, such as Abadan. By leveraging the capability of the PSO algorithm to automatically and optimally determine the sensitive parameters of the KNN model, this approach improves predictive performance compared to the base model. The findings indicate that integrating metaheuristic optimization algorithms such as PSO with simple data-driven models such as KNN not only increases prediction accuracy and efficiency in climatically challenging regions but also enhances the stability and generalizability under varying climatic and spatial conditions. Therefore, the use of such hybrid approaches can be considered an effective strategy for improved monitoring and management of climate-related hazards, including dust storms, in arid and semiarid regions. چکیده مبسوط مقدمه: طوفان‌های گرد و غبار از مهم‌ترین مخاطرات اقلیمی در مناطق خشک و نیمه‌خشک ایران به شمار می‌آیند و با پیامدهایی نظیر کاهش دید افقی، آلودگی شدید هوا، تهدید سلامت عمومی، کاهش بازدهی محصولات کشاورزی و آسیب به زیرساخت‌های شهری و روستایی همراه هستند. در سال‌های اخیر، به‌ویژه در مناطق غربی کشور، روند افزایشی در شدت، بسامد و گستره مکانی این پدیده مشاهده شده است. این روند نگران‌کننده عمدتاً تحت تأثیر مجموعه‌ای از عوامل طبیعی نظیر خشکسالی‌های مکرر، افت رطوبت خاک و وزش بادهای شدید، در کنار عوامل انسانی همچون تغییرات نامتوازن کاربری اراضی، بهره‌برداری بی‌رویه از منابع آب و مدیریت ناپایدار سرزمین شکل گرفته است. نظر به تبعات گسترده این پدیده بر محیط‌زیست و زندگی ساکنان آن مناطق، پیش‌بینی دقیق پیش‌بینی دقیق تعداد روزهای گرد و غباری در بازه‌های زمانی مشخص، به عنوان ابزاری کلیدی در کاهش خسارات و تصمیم‌گیری‌های مدیریتی و عملیاتی اهمیت فراوان دارد. دستیابی به این هدف مستلزم بهره‌گیری از روش‌های نوین داده‌محور و الگوریتم‌های هوش مصنوعی است که می‌توانند در شناسایی الگوهای پیچیده، غیرخطی و غیرقطعی مؤثر واقع شوند. مواد و روش‌ها: در این پژوهش، یک مدل ناپارامتریک پیش‌بینی بر پایه الگوریتم K نزدیک‌ترین همسایه (KNN) توسعه داده شد که با بهره‌گیری از الگوریتم فراابتکاری ازدحام ذرات (PSO) به‌عنوان کاتالیزور، ساختار مدل بهینه‌سازی و دقت پیش‌بینی آن ارتقاء یافت. داده‌های مورد استفاده شامل شاخص فراوانی روزهای همراه با طوفان‌ گرد و غبار (FDSD) از ۲۶ ایستگاه سینوپتیک واقع در ۱۱ استان در نیمه‌غربی کشور، طی یک دوره بلندمدت ۴۰ ساله (۱۹۸۱ تا ۲۰۲۰) بود. برای ساخت مدل پیش‌بینی، از مقادیر تأخیری شاخص FDSD در قالب چهار گام زمانی گذشته به‌عنوان ورودی استفاده شد تا الگوی تغییرات زمانی این پدیده به‌درستی شناسایی شود. در مرحله نخست، مدل پایه KNN با تنظیم پارامتر k اجرا شد و سپس الگوریتم PSO برای بهینه‌سازی پارامترهای کلیدی مدل، از جمله تعداد همسایگان مؤثر و وزن‌دهی به متغیرهای ورودی، به کار گرفته شد. ارزیابی عملکرد مدل‌ها 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 پیش‌بینی 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 وزن‌دهی به متغیرهای ورودی به‌صورت خودکار و بهینه تعیین شود. به‌طوری‌که در ایستگاه آبادان، ضریب همبستگی (r) مدل KNN-PSO به 997/0 افزایش و ضریب RMSE به 113/0 کاهش یافت، در حالی که این مقادیر در مدل KNN به‌ترتیب 654/0 و 437/0 بودند که نشان‌دهندۀ بهبود چشمگیر دقت پیش‌بینی با استفاده از فرامدل ترکیبی است. مقایسه مقادیر مشاهداتی و پیش‌بینی‌‌شده، بهبود عملکرد مدل‌ها را با افزایش فراوانی روزهای گرد و غباری تأیید می‌کنند. در این میان، ایستگاه آبادان که بالاترین مقدار شاخص FDSD را در میان ایستگاه‌های مطالعه‌شده دارد، بیشترین انطباق بین مقادیر مشاهداتی و پیش‌بینی‌شده را نشان داد. به‌طور کلی، ایستگاه‌های پرگرد و غبار مانند آبادان، اهواز، مسجدسلیمان، بستان، سرپل‌ذهاب و بندرماهشهر، همبستگی بالایی بین مقادیر واقعی و پیش‌بینی‌شده داشتند؛ به‌گونه‌ای که در نمودارهای پراکندگی، به خط نیمساز ربع اول (f(x)=x) بسیار نزدیک بودند و نشان‌دهندۀ کارائی بالای مدل KNN-PSO می‌باشند. همچنین نتایج نشان داد که به‌کارگیری شاخص‌های تأخیری از فصول گذشته موجب بهبود عملکرد مدل نشد و مدل‌های ساده‌تری که تنها از یک گام تأخیر استفاده کردند، دقت بالاتری را ارائه دادند. نتیجه‌گیری: به‌طور کلی، نتایج نشان داد که مدل ترکیبی KNN-PSO قادر است دقت پیش‌بینی فراوانی روزهای همراه با طوفان گرد و غبار را به‌ویژه در ایستگاه‌هایی با فراوانی بالا نظیر آبادان، به‌طور معنی‌داری افزایش دهد. این مدل با استفاده از قابلیت الگوریتم PSO در تعیین خودکار و بهینه پارامترهای حساس مدل KNN، توانست عملکرد پیش‌بینی را نسبت به مدل پایه بهبود دهد. یافته‌ها نشان می‌دهند که تلفیق الگوریتم‌های بهینه‌سازی فراکاوشی مانند PSO با مدل‌های داده‌محور ساده نظیر KNN نه‌تنها موجب افزایش دقت و کارایی پیش‌بینی در مناطق پرچالش اقلیمی می‌شود، بلکه می‌تواند پایداری و تعمیم‌پذیری این مدل‌ها را در شرایط متغیر اقلیمی و مکانی نیز ارتقاء دهد؛ بنابراین، استفاده از چنین رویکردهای ترکیبی می‌تواند به‌عنوان راهکاری مؤثر برای پایش و مدیریت بهتر مخاطرات اقلیمی از جمله طوفان‌های گرد و غبار در مناطق خشک و نیمه‌خشک مورد توجه قرار گیرد.

https://iwm.ilam.ac.ir/article_726574_6d52155de1f252bfe39f895c014c5535.pdf