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.