این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
تحقیقات آب و خاک ایران، جلد ۵۶، شماره ۶، صفحات ۱۴۲۱-۱۴۳۶
عنوان فارسی بررسی مقایسه مدل‌سازی فراوانی روز‌های همراه با طوفان گرد و غبار با استفاده از مدل یادگیری ماشین XGBoost و روش بدون المان گالرکین (مطالعه موردی: استان ایلام)
چکیده فارسی مقاله مدل‌سازی طوفان‌های گرد و غبار به بهبود پیش‌بینی این پدیده، کاهش ریسک‌های زیست‌محیطی و تدوین راهبردهای مناسب برای مقابله با اثرات آن کمک می‌کند و امکان درک بهتر تعاملات نظام‌های پویا و ارائه پیش‌بینی‌های معتبرتر را فراهم می‌سازد. در این راستا، استفاده از مدل‌های یادگیری ماشین با قابلیت تحلیل داده‌های پیچیده و روش عددی گالرکین با توانایی شبیه‌سازی دقیق، زمینه ارائه راهکارهای کارآمدتر را مهیا می‌کند. بدین ترتیب پژوهش حاضر به بررسی مقایسه مدل‌سازی فراوانی روز‌های همراه با طوفان گرد و غبار با استفاده از مدل یادگیری ماشین XGBoost و روش بدون المان گالرکین در هشت ایستگاه در طول دوره آماری 40 ساله (2020- 1981) پرداخته است. در هر دو مدل، ترکیب یک به‌عنوان ترکیب بهینه جهت پیش‌بینی شاخص FDSD برگزیده شد. نتایج نشان داد که مدل یادگیری ماشین XGBoost با مقدار معیارهای خطای RMSE و MAE کم‌تر و همچنین مقادیر R و NS نزدیک به واحد، با اختلاف ناچیزی، نسبت به روش بدون المان گالرکین، به‌عنوان مدل برگزیده جهت مدل‌سازی طوفان‌های گرد و غبار در استان ایلام انتخاب شده است. این در حالی است که این اختلاف در سطح اطمینان 95 و 99 درصد معنادار نبود و با توجه به هزینه‌ها و حجم محاسباتِ کم‌تر مدل عددی گالرکین، می‌توان از الگوریتم‌ عددی گالرکین به‌عنوان یک روش مناسب جهت مدل‌سازی شاخص FDSD استفاده نمود. نتایج این پژوهش می‌تواند در پیش‌بینی دقیق‌تر طوفان‌های گرد و غبار، طراحی سیستم‌های هشدار، تدوین سیاست‌های مدیریت بحران و کاهش خسارت‌های محیط‌زیستی این طوفان‌ها، کاربرد داشته باشد. 
کلیدواژه‌های فارسی مقاله مدل‌های عددی،دید افقی،پیش‌بینی،درخت تصمیم،شاخص FDSD،
عنوان انگلیسی Comparative Analysis of Dust Storm Frequency Modeling Using the XGBoost Machine Learning Model and the Element-Free Galerkin Method (Case study: Ilam Province)
چکیده انگلیسی مقاله   Dust storm modeling plays a crucial role in improving prediction accuracy, mitigating environmental risks, and developing effective response strategies. It enhances the understanding of dynamic system interactions and facilitates more reliable forecasts. In this context, machine learning models capable of analyzing complex datasets, alongside the Galerkin numerical method with its high-precision simulation capabilities, provide a robust foundation for more efficient solutions. This study compares the modeling of dust storm day frequency using the XGBoost machine learning model and the mesh-free Galerkin method across eight stations over a 40-year statistical period (1981–2020). In both models, Combination 1 was identified as the optimal configuration for predicting the FDSD index. The results indicate that XGBoost outperforms the Galerkin method, exhibiting lower RMSE and MAE values and R and NS values closer to one. However, the difference between the two models was not statistically significant at the 95% and 99% confidence levels. Given its lower computational cost and reduced processing demand, the Galerkin numerical method remains a viable alternative for modeling the FDSD index. The findings of this research can contribute to more accurate dust storm predictions, the development of early warning systems, informed crisis management strategies, and efforts to minimize the environmental impacts of dust storms.
کلیدواژه‌های انگلیسی مقاله مدل‌های عددی,دید افقی,پیش‌بینی,درخت تصمیم,شاخص FDSD
نویسندگان مقاله محمد انصاری قوجقار |
استادیار، گروه مهندسی احیاء مناطق خشک و کوهستانی، دانشکده منابع طبیعی، دانشگاه تهران، کرج، ایران.

پریا پورمحمد |
دانشجو دکتری، گروه مهندسی احیاء مناطق خشک و کوهستانی، دانشکده منابع طبیعی، دانشگاه تهران، کرج، ایران.

نشانی اینترنتی https://ijswr.ut.ac.ir/article_103827_44d9ae95fd957c7f9f36d01d60767575.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات