مقایسه مناسب ترین ترکیب ورودی در روش های شبکه عصبی مصنوعی و درخت تصمیم به منظور شناسایی عوامل تاثیرگذار بر پدیده گرد و غبار (مطالعه موردی: استان یزد)

یکی از بلایای طبیعی که هر ساله موجب خسارت های زیادی در نواحی خشک و بیابانی جهان از جمله ایران و منطقه یزد میشود، بادهای شدید و شکلگیری طوفان گرد و خاک است که هرساله چندین مرتبه به وقوع می پیوندد. در این مطالعه از داده های هواشناسی ایستگاه یزد (طوفان تندر، بزرگی باد (اندازه، مقدار)، تداوم باد (پیوستگی باد)، دید افقی، سریعترین سرعت باد، میانگین سرعت باد، سرعت باد غالب و تعداد وقوع طوفان گرد و خاک ثبت شده توسط اداره هواشناسی (اعم از طوفان های با منشاء داخلی و خارجی)) در بازه زمانی 1953-2005 به صورت ماهانه استفاده شد. به منظور تعیین مناسبترین ترکیب ورودی مدل شبکه عصبی و تعداد پارامترهای (ورودی) تاثیرگذار بر پدیده طوفان گرد و خاک از روش های کاهش متغیر تحلیل عاملی (حداکثر احتمال، مولفه اصلی)، تجزیه مولفه های اصلی، آزمون تست گاما و رگرسیون گام به گام پیش رونده استفاده شد. هر کدام از روش های مذکور ترکیب متفاوتی را ارائه نمودند که هر کدام از این ترکیبها در مدل شبکه عصبی پیش خور پس انتشار با توابع آموزشی لورنبرگ مارکوآت استفاده شد. نتایج به دست آمده نشان داد که رگرسیون گام به گام پیش رونده با R2 = 0.87 و RMSE = 0.04 مناسب ترین ترکیب را برای مدل شبکه عصبی ایجاد میکند. مقایسه شبیه سازی پدیده طوفان گرد و خاک در فصول و ماه های مختلف سال نشان داد که شبیه سازی پدیده گرد و غبار فصلهای تابستان و بهار و همچنین ماه های فروردین، اردیبهشت، خرداد، تیر، مرداد و شهریور از دقت بالاتری برخوردار میباشد. در مقایسه میان مدلهای شبکه عصبی پیشخور پس انتشار خطا با توابع آموزشی لورنبرگ مارکوآت و درخت تصمیم با توابع آموزشی کارت (CART)، شبکه عصبی با ضریب همبستگی 87/ 0 و مجذور میانگین مربعات خطای 04/ 0 نسبت به روش درخت. تصمیم با ضریب همبستگی 86/ 0 و مجذور میانگین مربعات خطای 06/ 0 از دقت بالاتری به منظور شبیه سازی طوفان گرد و خاک برخوردار است.