مقایسة عملکرد مدل‏ های سری زمانی SARIMA و Holt-Winters با روش‏ه ای هوش مصنوعی در پیش‏ بینی طوفان‏ های گردوغبار (مطالعة موردی: استان سیستان و بلوچستان)

نوع مقاله : مقاله کامل

نویسندگان

1 دانشجوی دکتری گروه مهندسی آبیاری و آبادانی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران

2 دانشیار گروه مهندسی آبیاری و آبادانی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران

3 استاد گروه مهندسی آبیاری و آبادانی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران

چکیده

هدف از این پژوهش مقایسة عملکرد مدل‏های سری زمانی SARIMA و Holt-Winters با روش‏های هوش مصنوعی شامل شبکة عصبی مبتنی بر توابع پایة شعاعی (RBF) و سیستم استنباط عصبی- فازی تطبیقی (ANFIS) به‏منظور پیش‏بینی فراوانی روزهای همراه با طوفان گردوغبار (FDSD) در فصل آتی است. بدین منظور، از داده‏های ساعتی گردوغبار و کدهای سازمان جهانی هواشناسی در پنج ایستگاه سینوپتیک استان سیستان و بلوچستان با طول دورة آماری 25ساله (۱۹۹۰-2014) استفاده شد. نتایج نشان داد روش ANFIS، نسبت به سایر روش‏ها، بهترین عملکرد را داشت و معیارهای ارزیابی R، RMSE، MAE، و NS آن به‌ترتیب از 72/0، 57/0، 42/0، و 71/0 تا 95/0، 51/0، 40/0، و 96/0 متغیر بود. همچنین، با افزایش شاخص متوسط FDSD در ایستگاه‏ها (از 06/1 تا 11/7)، دقت پیش‏بینی همة روش‏ها افزایش داشت. بر همین اساس، در سری زمانی SARIMA، ضریب همبستگی بین مقادیر مشاهداتی و پیش‏بینی‏شده شاخص FDSD از 64/0 به 79/0 افزایش یافت. برای روش‏های Holt-Winters، RBF، و ANFIS مقدار نیز ضریب همبستگی به‌ترتیب از 70/0 تا 87/0، 69/0 تا 92/0، و 72/0 تا 95/0 متغیر بود. درمجموع، با مقایسة روش‏های مورد استفاده، روش هوش مصنوعی ANFIS بهترین و مدل‏های سری زمانی SARIMA و Holt-Winters بدترین عملکرد را داشتند.

کلیدواژه‌ها


عنوان مقاله [English]

Comparing the Performance of SARIMA and Holt-Winters Time Series Models With Artificial Intelligence Methods in Forecasting Dust Storms (Case Study: Sistan and Baluchestan Province)

نویسندگان [English]

  • Masoud Pourgholam-Amiji 1
  • Mohammad Ansari ghojghar 1
  • Javad Bazrafshan 2
  • Abdolmajid Liaghat 3
  • Shahab Araghinejad 2
1 Ph.D. Candidate, Department of Irrigation and Reclamation Engineering, College of Agriculture and Natural Resources, University of Tehran, Karaj, Iran.
2 Associate Professor, Department of Irrigation and Reclamation Engineering, College of Agriculture and Natural Resources, University of Tehran, Karaj, Iran.
3 Professor, Department of Irrigation and Reclamation Engineering, College of Agriculture and Natural Resources, University of Tehran, Karaj, Iran.
چکیده [English]

Introduction:
The impact of the dust phenomenon in Iran is so great that it has involved more than half of the country's provinces in some way with the problems and limitations of this natural phenomenon, which in addition to environmental impacts, has disrupted the implementation of sustainable national development plans and so far it has had and will have many negative consequences. The increase in dust storms in recent years in the east and southeast of the country, especially in Sistan and Baluchestan province, and consequently the decrease in air quality in these areas, has doubled the importance of Forecasting this phenomenon. On the other hand, most domestic studies in this field are related to the process of small-scale dust phenomena, synoptic studies, and its satellites. Therefore, considering that this phenomenon has had adverse effects and negative consequences in the social, economic, and health fields of the people, it is necessary to study, forecast, and measure its relationship with climate variations.

Materials and Methods:
This study aimed to compare the performance of SARIMA and Holt-Winters time series models with artificial intelligence methods including neural networks based on radial base functions (RBF) and adaptive neural-fuzzy inference system (ANFIS) to forecast the frequency of dust storm days (FDSD) in the next season. For this purpose, hourly dust data and codes of the World Meteorological Organization were used in five synoptic stations in Sistan and Baluchestan province with a statistical period of 25 years (1990-2014). The observations of meteorological phenomena are recorded once every three hours, a total of eight times a day. In these observations, the visual phenomena of climate are defined according to the guidelines of the World Meteorological Organization in 100 codes (00-99), in which 11 codes are used to record and report the phenomenon of dust in different meteorological stations. Following the time series of days with dust storms, the FDSD index was forecasted using four methods SARIMA, Holt-Winters, RBF, and ANFIS.

Results and Discussion:
According to the results of the time series, the FDSD index in Saravan, Khash, Iranshahr, and Zahedan stations has relatively small variations that are scattered throughout the time series, but with the increase in the number of dust days in Zabol station, the scattering of the variations has decreased and its intensity has increased. Also, the peak values of dust are concentrated next to each other, which indicates the occurrence of successive dust storms in this station from 2000 onwards. As can be seen in the ACF and PACF diagrams of the studied stations, significant time intervals indicate the correlation between the time values that make it possible to modeling and forecasting future values (next season) of the FDSD index for all five stations studied. According to the functions of partial autocorrelation and autocorrelation, the range of change of attraction and the moving average was determined, and using the appropriate evaluation criteria, the best time series model was extracted for each station. In the Dickey-Fuller test, the significance level was considered to be P-Value < 0.05. According to the test, only the time series of Zabol stations is unstable, which confirms the results of the ACF and PACF diagrams of the studied stations. The results showed that the ANFIS method performed better than other methods in all study stations; So that in this method, the evaluation criteria of R, RMSE, MAE, and NS are varied from 0.72, 0.57, 0.42 and 0.71 to 0.95, 0.51, 0.40 and 0.96, respectively. Also, the average frequency of days with dust storm on a seasonal scale in the studied stations varied from 1.06 to 7.11, respectively, so that with increasing FDSD index in the stations, the forecasting accuracy of all methods increased. In the SARIMA time series model, the correlation coefficient (R) between the observed and forecasted values of the FDSD index was increased from 0.64 to 0.79. For Holt-Winters, RBF, and ANFIS methods, the R-value also varied from 0.70 to 0.87, 0.69 to 0.92, and 0.72 to 0.95, respectively. Also, based on the results of the observed and forecasted values, with the increase of FDSD index in the studied stations (progress from Saravan station to Zabol station), the relationship between observed and forecasted values in all methods (time series models and artificial intelligence methods) find more compatibility with the Semi-constructor of the first quarter. The results of the Z test also showed that the assumption of zero-based on the mean equal of the time series of observed and forecasted values of the FDSD index, in none of the studied stations based on ANFIS and RBF methods at 1% error level and based on SARIMA and Holt-Winters time series models are not rejected at the 5% error level.

Conclusion:
The results showed that with the decrease in the frequency of days with dust storms in Saravan and Khash stations, the Holt-Winters time series model showed almost the same and higher performance than the RBF method, which indicated the high capability of this model to forecast low values FDSD index. The results also showed that the SARIMA time series model compared to other forecasting methods did not have a high ability in forecasting the FDSD index in any of the studied stations. Also, despite the low frequency of days with dust storms in Iranshahr station compared to Zahedan station, all FDSD index forecasting methods have better performance and more accurately than Zahedan station based on evaluation criteria, which can be searched due to the presence of a complete series without FDSD index termination at Iranshahr station. The results of this study can be useful in forecasting and managing the consequences of dust storms in the study areas. On the other hand, in forecasting the FDSD index in Sistan and Baluchestan province, the optimal predictor model has been complex. For all of the stations studied, the model that used three or four steps of the predictive delay was recognized as the best predictor model. Therefore, particles leftover from previous storms could be an important reason for the impact of the last few seasons’ storms on the formation of dust storms in future seasons.

کلیدواژه‌ها [English]

  • Dust
  • ACF and PACF
  • neural networks
  • Critical Areas of Dust
  • Time Series Analysis
انتظاری، ع. و سروستان، ر. (1396). بررسی گردوغبار و پیش‏بینی آن در شهرهای استان خوزستان با استفاده از مدل‏های سری زمانی، مطالعات علوم محیط ‏زیست، 2(4): 5۳5-5۴5.
انصاری قوجقار، م.؛ پورغلام آمیجی، م.؛ بذرافشان، ج.؛ لیاقت، ع. و عراقی‏نژاد، ش. (1399). مقایسة کارایی شبکه‏های عصبی آماری، فازی، و پرسپترونی در پیش‏بینی طوفان‌های گردوغبار در نواحی بحرانی کشور، تحقیقات آب و خاک ایران (آمادة انتشار).
جمالی‌زاده تاج‏آبادی، م. ر.؛ مقدم‌نیا، ع. ر. و پیری، ج. (1386). بررسی توانایی دو روش شبکه‏های عصبی مصنوعی و ماشین‏های بردار پشتیبان در پیش‏بینی طوفان‏های گردوخاک شهر زابل، چهارمین همایش ملی علوم و مهندسی آبخیزداری ایران، مدیریت حوزه‏های آبخیز، دانشکدة منابع طبیعی دانشگاه تهران، 1 اسفند.
حسین حمزه، ن.؛ فتاحی، ا.؛ ذوالجودی، م.؛ غفاریان، پ. و رنجبر، ع. (1395). تحلیل همدیدی و دینامیکی پدیدة گردوغبار و شبیه‏سازی آن در جنوب غرب ایران در تابستان ۱۳۸4، تحلیل فضایی مخاطرات محیطی، 3(1): ۹۱-102.
زینالی، ب. (1395). بررسی روند تغییرات فراوانی روزهای همراه با طوفان‏های گردوغباری نیمة غربی ایران، مخاطرات محیط طبیعی، 5(7): ۸۷-۱۰۰.
سبحانی، ب.؛ صفریان زنگیر، و. و فیض‏الله‌زاده، س. (1399). مدل‏سازی و پیش‏بینی گردوغبار در غرب ایران، پژوهش‏های جغرافیای طبیعی، 52(1): ۱۷-35.
سبحانی، ب.؛ صلاحی، ب. و گل‌دوست، ا. (1394). بررسی گردوغبار و ارزیابی امکان پیش‏بینی آن بر اساس روش‏های آماری و مدل ANFIS در ایستگاه زابل، جغرافیا و توسعة پایدار، 13(38): ۱۲۳-138.
سروستان، ر. و فلاح قالهری، غ. (1399). بررسی و پیش‏بینی پدیدة گردوغبار در استان خوزستان با استفاده از مدل‏های سری زمانی باکس جنکینز، مهندسی و مدیریت آبخیز.
شاکر سوره، ف. و اسدی، ا. (1398). ارتباط بین خشک‌سالی‏های هواشناسی و هیدرولوژیکی در دشت سلماس، مهندسی اکوسیستم بیابان، 8(22): ۸۹-۱۰۰.
عبدالشاه‌نژاد، م.؛ خسروی، ح.؛ نظری سامانی، ع. ک.؛ زهتابیان، غ. و علم‌بیگی، ا. (1399). تعیین چهارچوب مفهومی ریسک گردوغبار بر مبنای سنجش تاب‏آوری (بررسی موردی: جنوب غرب کشور)، پژوهش‏های راهبردی در علوم کشاورزی و منابع طبیعی، 5(1): ۳۳-44.
عراقی‏نژاد، ش. و انصاری قوجقار، م. (1396). بررسی تأثیر سرعت بیشینة باد بر روند فراوانی روزهای همراه با طوفان‏های گردوغباری (مطالعة موردی: استان لرستان)، چهارمین همایش ملی فرسایش بادی و طوفان‏های گردوغبار، انجمن علمی مدیریت و کنترل مناطق بیابانی ایران، پژوهشکدة مناطق خشک و بیابانی، دانشگاه یزد، 1۶-1۷ اسفند.
عراقی‏نژاد، ش.؛ انصاری قوجقار، م.؛ پورغلام آمیجی، م.؛ لیاقت، ع. و بذرافشان، ج. (1397). تأثیر نوسانات اقلیمی بر فراوانی طوفان‏های گردوغبار در ایران، مهندسی اکوسیستم بیابان، 7(21): ۱۳-۳۲.
فرج‌زاده، م. و علیزاده، خ. (1390). تحلیل زمانی و مکانی طوفان‏های گردوخاک در ایران، برنامه‏ریزی و آمایش فضا، 15(1): ۶۵-84.
قربانی، س. و مدرس، ر. (1398). مدل‏سازی رابطة فراوانی طوفان‏های گردوغبار با متغیرهای اقلیمی فصل تابستان در مناطق بیابانی ایران، علوم آب و خاک، 23(3): ۱۲۵-140.
گودرزی، ل. و روزبهانی، ع. (1396). بررسی کارایی مدل‏های سری زمانی آریما و هالت- وینترز در پیش‏بینی دما و بارش ماهانه (مطالعة موردی: ایستگاه لتیان)، علوم و مهندسی آبیاری، 40(3): ۱۳۷-149.
مهرابی، ش.؛ سلطانی، س. و جعفری، ر. (1394). بررسی رابطه بین پارامترهای اقلیمی و وقوع ریزگردها (مطالعة موردی: استان خوزستان)، علوم آب و خاک، 19(71): ۶۹-۸۰.
یارمرادی، ز.؛ نصیری، ب.؛ کرم‏پور م. و محمی، غ. ح. (1397). تحلیل روند فراوانی روزهای گردوغباری در نیمة شرقی ایران در ارتباط با نوسانات اقلیمی، مهندسی اکوسیستم بیابان، 7(18): ۱-۱۴.
Aboagye-Sarfo, P.; Mai, Q.; Sanfilippo, F. M.; Preen, D. B.; Stewart, L. M. and Fatovich, D. M. (2015). A comparison of multivariate and univariate time series approaches to modelling and forecasting emergency department demand in Western Australia. Journal of biomedical informatics, 57: 62-73.
Ahmed, N. K.; Atiya, A. F.; Gayar, N. E. and El-Shishiny, H. (2010). An empirical comparison of machine learning models for time series forecasting. Econometric Reviews, 29(5-6): 594-621.
Aigang, L.; Tianming, W.; Shichang, K. and Deqian, P. (2009). On the relationship between global warming and dust storm variation in China. In 2009 International Conference on Environmental Science and Information Application Technology (Vol. 2, pp. 59-62). IEEE.
Aliyari, M.; Teshnehlab, M. and Khaki Sedigh, A. (2008). Short-term forecast of air pollution by neural networks, delayed memory line, gamma and ANFIS with PSO-based educational methods. Control journal, 2(1): 1-19.
Amgalan, G.; Liu, G. R.; Lin, T. H. and Kuo, T. H. (2017). Correlation between dust events in Mongolia and surface wind and precipitation, Terr. Journal of Atmospheric & Ocean Science, 28 (1): 23-32.
Asplin, B. R.; Flottemesch, T. J. and Gordon, B. D. (2006). Developing models for patient flow and daily surge capacity research. Academic Emergency Medicine, 13(11): 1109-1113.
Chen, S.; Cowan, C. F. N. and Grant, P. M. (1991). Orthogonal Least Squares Learning Algorithm for Radial Basis Function Networks. IEEE Transactions on Neural Networks, 2(2): 302-309.
Cochrane, J. H. (2005). Time series for macroeconomics and finance. Manuscript, University of Chicago, 1-136.
Goudie, A. (2014). Review Desert dust and human health disorders. Journal of Environment International, 63(3): 101-113.
Goudie, A. S. and Middleton, N. J. (2006). Desert dust in the global system. Springer Science & Business Media.
Hahnenberger, M. and Nicoll, K. (2014). Geomorphic and land cover identification of dust sources in the eastern Great Basin of Utah, USA. Geomorphology, 204: 657-672.
Herweijer, C.; Seager, R.; Cook, E. R. and Emile-Geay, J. (2007). North American droughts of the last millennium from a gridded network of tree-ring data. Journal of Climate, 20(7): 1353-1376.
Hyndman, R. J. and Khandakar, Y. (2008). Automatic time series forecasting: the forecast package for R. Journal of Statistical Software, 27(3): 1-22.
Jang, J. S. (1993). ANFIS: adaptive-network-based fuzzy inference system. IEEE transactions on systems, man, and cybernetics, 23(3): 665-685.
O’Loingsigh, T.; McTainsh, G. H.; Tews, E. K.; Strong, C. L.; Leys, J. F.; Shinkfield, P. and Tapper, N. J. (2014). The Dust Storm Index (DSI): a method for monitoring broadscale wind erosion using meteorological records. Aeolian Research, 12: 29-40.
Rashki, A.; Kaskaoutis, D. G.; Goudie, A. S. and Kahn, R. A. (2013). Dryness of ephemeral lakes and consequences for dust activity: the case of the Hamoun drainage basin, southeastern Iran. Science of the Total Environment, 463: 552-564.
Singh, A. and Mishra, G. C. (2015). Application of Box-Jenkins method and Artificial Neural Network procedure for time series forecasting of prices. Statistics in Transition new series, 1(16): 83-96.
Tanarhte, M.; Hadjinicolaou, P. and Lelieveld, J. (2012). Intercomparison of temperature and precipitation data sets based on observations in the Mediterranean and the Middle East. Journal of Geophysical Research: Atmospheres, 117(D12).
Xu, X.; Levy, J. K.; Zhaohui, L. and Hong, C. (2006). An investigation of sand–dust storm events and land surface characteristics in China using NOAA NDVI data. Global and Planetary Change, 52 (1-4): 182-196.