دانشگاه گلستان پژوهش‌های تغییرات آب و هوایی 2717-2066 6 24 2025 12 22 Evaluating the performance of metaheuristic algorithms for optimizing input data to model dust storms (A case study of Sistan and Baluchestan province) ارزیابی عملکرد الگوریتم‌های فرا ابتکاری در بهینه‌سازی‌ داده‌های ورودی‌ به منظور مدل‌سازی طوفان‌های گرد و غبار (مطالعه موردی: استان سیستان و بلوچستان) 73 88 233907 10.30488/ccr.2025.552548.1307 FA رامتین طاوسی راد دانشجوی کارشناسی ارشد، گروه مهندسی احیاء مناطق خشک و کوهستانی، دانشکده منابع طبیعی، دانشگاه تهران، کرج، ایران 0009-0006-3284-2140 صدف پیری دانشجوی دکتری، گروه مهندسی احیاء مناطق خشک و کوهستانی، دانشکده منابع طبیعی، دانشگاه تهران، کرج، ایران 0009-0006-9796-4974 محمد انصاری قوجقار استادیار، گروه مهندسی احیاء مناطق خشک و کوهستانی، دانشکده منابع طبیعی، دانشگاه تهران، کرج، ایران 0000-0003-0485-5551 حسین آذرنیوند استاد، گروه مهندسی احیاء مناطق خشک و کوهستانی، دانشکده منابع طبیعی، دانشگاه تهران، کرج، ایران 0000-0003-0024-9060 Journal Article 2025 10 11 <span style="font-size: 10.0pt; mso-bidi-font-size: 12.0pt; font-family: 'Times New Roman','serif'; mso-ascii-theme-font: major-bidi; mso-hansi-theme-font: major-bidi; mso-bidi-font-family: 'B Nazanin'; color: black; mso-themecolor: text1;">Dust storms are among the most severe climatic hazards affecting arid and semi-arid regions, particularly southeastern Iran. The Sistan and Baluchestan Province is especially vulnerable due to its proximity to desert areas, persistent drought conditions, reduced vegetation cover, and the influence of the seasonal 120-day winds. Given the complex and uncertain nature of dust storm prediction—especially in regions with limited or low-quality meteorological data—this study investigates the role of metaheuristic algorithms in improving predictive accuracy through input optimization. The main objective is to evaluate the performance of two metaheuristic algorithms, Invasive Weed Optimization (IWO) and Water Cycle Algorithm (WCA), for optimizing input variables in the hybrid Fuzzy Clustering Model Regression–Moving Average (FCMR–MA) model. The hybrid model was employed to predict the seasonal frequency of dust storm days (FDSD) across five synoptic stations in Sistan and Baluchestan over a 40-year period (1980–2020). Four predictive scenarios were examined. The baseline FCMR–MA model using only dust storm data; the same model incorporating drought indices (SPI and SPEI); and the optimized FCMR–MA models enhanced with WCA and IWO algorithms. Multiple forecasting horizons (one- to four-season lags) were applied to assess model sensitivity to past dust storm events. Model performance was evaluated using four statistical indicators: Root Mean Square Error (RMSE), Mean Absolute Error (MAE), Nash–Sutcliffe Efficiency (NS), and the Correlation Coefficient (R). Results indicate that both metaheuristic algorithms substantially enhance the predictive accuracy of the FCMR–MA model, with the IWO algorithm consistently achieving the best performance across all stations and evaluation metrics—particularly in Zabol and Zahedan, which exhibit higher FDSD frequencies. These findings highlight the potential of metaheuristic optimization for improving dust storm forecasting in data-scarce arid environments. طوفان‌های گرد و غبار به‌عنوان یکی از مهم‌ترین مخاطرات اقلیمی در مناطق خشک و نیمه‌خشک ایران به‌ویژه استان سیستان و بلوچستان، پیامدهای گسترده‌ای در ابعاد اجتماعی، اقتصادی و زیست‌محیطی ایجاد می‌کنند. یکی از چالش‌های اصلی در مدل‌سازی و پیش‌بینی این پدیده، عدم قطعیت در داده‌های ورودی و محدودیت ایستگاه‌های سینوپتیکی است. این پژوهش با هدف بهبود عملکرد مدل‌های پیش‌بینی، به ارزیابی نقش الگوریتم‌های فراابتکاری در بهینه‌سازی داده‌های ورودی پرداخته است. در این راستا، یک مدل هیبریدی مبتنی بر رگرسیون فازی خوشه‌بندی‌شده و میانگین متحرک <span dir="LTR" style="font-size: 9.0pt; mso-bidi-font-size: 11.0pt; font-family: 'Times New Roman','serif'; mso-ascii-theme-font: major-bidi; mso-hansi-theme-font: major-bidi; mso-bidi-font-family: 'B Nazanin'; color: black; mso-themecolor: text1;">FCMR-MA توسعه داده شد و برای بهینه‌سازی داده‌های ورودی، دو الگوریتم فراابتکاری چرخه آب و بهینه‌سازی علف‌های هرز مهاجم به‌کار گرفته شدند. یکی از عوامل کلیدی در تشدید و تداوم این پدیده، وقوع خشکسالی‌های متوالی و کاهش رطوبت خاک است که بستر تولید و انتقال گردوغبار را تقویت می‌کند. به‌منظور تحلیل پیوند بین شرایط خشکسالی و وقوع طوفان‌های گردوغبار، شاخص‌های خشکسالی <span dir="LTR" style="font-size: 9.0pt; mso-bidi-font-size: 11.0pt; font-family: 'Times New Roman','serif'; mso-ascii-theme-font: major-bidi; mso-hansi-theme-font: major-bidi; mso-bidi-font-family: 'B Nazanin'; color: black; mso-themecolor: text1;">SPI و <span dir="LTR" style="font-size: 9.0pt; mso-bidi-font-size: 11.0pt; font-family: 'Times New Roman','serif'; mso-ascii-theme-font: major-bidi; mso-hansi-theme-font: major-bidi; mso-bidi-font-family: 'B Nazanin'; color: black; mso-themecolor: text1;">SPEI نیز به‌عنوان متغیرهای اقلیمی در ساختار مدل لحاظ شدند. داده‌های مورد استفاده شامل فراوانی روزهای همراه با طوفان گردوغبار در پنج ایستگاه سینوپتیکی استان سیستان و بلوچستان طی دوره 40 ساله بود. عملکرد مدل‌ها با استفاده از چهار معیار ارزیابی <span dir="LTR" style="font-size: 9.0pt; mso-bidi-font-size: 11.0pt; font-family: 'Times New Roman','serif'; mso-ascii-theme-font: major-bidi; mso-hansi-theme-font: major-bidi; mso-bidi-font-family: 'B Nazanin'; color: black; mso-themecolor: text1;">R, RMSE, MAE, NS سنجیده شد. یافته‌ها نشان داد که به‌کارگیری الگوریتم‌های فراابتکاری موجب بهبود معنادار در دقت مدل نسبت به حالت بدون بهینه‌سازی شد. در این میان، الگوریتم علف‌های هرز مهاجم با دستیابی به بالاترین ضریب همبستگی (<span dir="LTR" style="font-size: 9.0pt; mso-bidi-font-size: 11.0pt; font-family: 'Times New Roman','serif'; mso-ascii-theme-font: major-bidi; mso-hansi-theme-font: major-bidi; mso-bidi-font-family: 'B Nazanin'; color: black; mso-themecolor: text1;">R=0.94) و کم‌ترین میزان خطا، عملکرد برتری نسبت به الگوریتم چرخه آب و مدل پایه ارائه کرد. به‌طور کلی، نتایج این مطالعه بیانگر اهمیت استفاده از الگوریتم‌های فراابتکاری در بهینه‌سازی داده‌های ورودی برای ارتقاء دقت مدل‌های پیش‌بینی طوفان‌های گردوغبار در مناطق خشک و نیمه‌خشک است.

https://ccr.gu.ac.ir/article_233907_4c1ea9073c5250385c5ff39e336cbc8d.pdf