پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 163 |
| تعداد شماره‌ها | 6,878 |
| تعداد مقالات | 74,135 |
| تعداد مشاهده مقاله | 137,878,820 |
| تعداد دریافت فایل اصل مقاله | 107,237,588 |
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) | ||
| تحقیقات آب و خاک ایران | ||
| دوره 56، شماره 6، شهریور 1404، صفحه 1421-1436 اصل مقاله (1.58 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ijswr.2025.392122.669904 | ||
| نویسندگان | ||
| محمد انصاری قوجقار* 1؛ پریا پورمحمد2 | ||
| 1استادیار، گروه مهندسی احیاء مناطق خشک و کوهستانی، دانشکده منابع طبیعی، دانشگاه تهران، کرج، ایران. | ||
| 2دانشجو دکتری، گروه مهندسی احیاء مناطق خشک و کوهستانی، دانشکده منابع طبیعی، دانشگاه تهران، کرج، ایران. | ||
| چکیده | ||
| 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. | ||
| کلیدواژه‌ها | ||
| مدل‌های عددی؛ دید افقی؛ پیش‌بینی؛ درخت تصمیم؛ شاخص FDSD | ||
| عنوان مقاله [English] | ||
| Comparative Analysis of Dust Storm Frequency Modeling Using the XGBoost Machine Learning Model and the Element-Free Galerkin Method (Case study: Ilam Province) | ||
| نویسندگان [English] | ||
| Mohammad Ansari ghojghar1؛ Paria Pourmohammad2 | ||
| 1Assistant professor, Department of reclamation of arid and mountainous regions Engineering, Faculty of Natural Resources, University of Tehran, Karaj, Iran. | ||
| 2Ph.D. candidate, Department of Reclamation of arid and mountainous regions Engineering, Faculty of Natural Resources, University of Tehran, Iran. | ||
| چکیده [English] | ||
| 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. | ||
| کلیدواژه‌ها [English] | ||
| Numerical Models, Horizontal Visibility, Forecasting, Decision Tree, The frequency index of dust storm days | ||
| مراجع | ||
|
Alizadeh-Choobari, O., Zawar-Reza, P., & Sturman, A. (2014). The “wind of 120 days” and dust storm activity over the Sistan Basin. Atmospheric research, 143, 328-341. Ansari Ghojghar, M., Bazrafshan, J., & Araghinejad, S. (2022). Evaluating the Efficiency of Hybrid Metamodels of Machine Learning and Box Jenkins in Order to Model Dust Storms (Case Study: Khuzestan Province). Iranian Journal of Soil and Water Research, 53(8), 1695-1714. [In Persian] Araghizadeh, M., & Masoodian, S. A. (2022). Comparative study of aerosol optical depth satellite data with earth’s observations. Desert, 27(1), 153-166. Belytschko, T., Lu, Y. Y., & Gu, L., 19941994. Element‐free Galerkin methods. International Journal for Numerical Methods in Engineering, 3737(22), 229229–256256. Chen, C., Yin, C., Wang, Y., Zeng, J., Wang, S., Bao, Y., ... & Liu, X. (2023). XGBoost-based machine learning test improves the accuracy of hemorrhage prediction among geriatric patients with long-term administration of rivaroxaban. BMC geriatrics, 23(1), 418. Chen, T., & Guestrin, C. (2016). Xgboost: A scalable tree boosting system. In Proceedings of the 22nd acm sigkdd international conference on knowledge discovery and data mining (pp. 785-794). Dayan, U., Ziv, B., Shoob, T., & Enzel, Y. (2008). Suspended dust over southeastern Mediterranean and its relation to atmospheric circulations. International Journal of Climatology, 28(7), 915-924. Dhaliwal, J. K., Panday, D., Saha, D., Lee, J., Jagadamma, S., Schaeffer, S., & Mengistu, A. (2022). Predicting and interpreting cotton yield and its determinants under long-term conservation management practices using machine learning. Computers and Electronics in Agriculture, 199, 107107. Ding, X., Jiang, T., Xue, W., Li, Z., & Zhong, Y. (2020). A new method of human gesture recognition using Wi-Fi signals based on XGBoost. In 2020 IEEE/CIC International Conference on Communications in China (ICCC Workshops) (pp. 237-241). IEEE. Givehchi, R., Arhami, M., & Tajrishy, M. (2013). Contribution of the Middle Eastern dust source areas to PM10 levels in urban receptors: Case study of Tehran, Iran. Atmospheric environment, 75, 287-295. Goudie, A. S. (2009). Dust storms: Recent developments. Journal of environmental management, 90(1), 89-94. Guo, L., Fan, B., Zhang, F., Jin, Z., & Lin, H. (2018). The clustering of severe dust storm occurrence in China from 1958 to 2007. Journal of Geophysical Research: Atmospheres, 123(15), 8035-8046. https://doi.org/10.1029/2018JD029042. Karimzadeh, S., Mohammadi, A., Salahuddin, U., Carvalho, A., & Lourenço, P. B. (2024). Backbone ground motion model through simulated records and XGBoost machine learning algorithm: An application for the Azores plateau (Portugal). Earthquake Engineering & Structural Dynamics, 53(2), 668-693. Kurosaki, Y., & Mikami, M. (2003). Recent frequent dust events and their relation to surface wind in East Asia. Geophysical Research Letters, 30(14). Liu, G. R., Chen, X. L., & Reddy, J. N. (2002). Buckling of symmetrically laminated composite plates using the element-free Galerkin method. International Journal of Structural Stability and Dynamics, 2(03), 281-294. Liu, Y., Wang, G., Hu, Z., Shi, P., Lyu, Y., Zhang, G., ... & Liu, L. (2020). Dust storm susceptibility on different land surface types in arid and semiarid regions of northern China. Atmospheric research, 243, 105031. Luo, S., El, X., & Li, X. (2024). Data Preprocessing Method for Landslide Displacement Prediction Based on XG Boost. In 2024 IEEE 13th Data Driven Control and Learning Systems Conference (DDCLS) (pp. 745-750). IEEE. Maulana, A., Noviandy, T. R., Suhendra, R., Earlia, N., Sofyan, H., Subianto, M., & Idroes, R. (2023). Performance Analysis and Feature Extraction for Classifying the Severity of Atopic Dermatitis Diseases. 2023 2nd International Conference on Computer System, Information Technology, and Electrical Engineering (COSITE), 226–231. https://doi.org/10.1109/COSITE60233.2023.10249760 Miller, S. D., Kuciauskas, A. P., Liu, M., Ji, Q., Reid, J. S., Breed, D. W., ... & Mandoos, A. A. (2008). Haboob dust storms of the southern Arabian Peninsula. Journal of Geophysical Research: Atmospheres, 113(D1). Moridnejad, A., Karimi, N., & Ariya, P. A. (2015). A new inventory for middle east dust source points. Environmental monitoring and assessment, 187, 1-11. Nayroles, B., Touzot, G., & Villon, P., 19921992. Generalizing the finite element method: Diffuse approximation and diffuse elements. Computational Mechanics, 1010(5). O’Hara, S. L., Clarke, M. L., & Elatrash, M. S. (2006). Field measurements of desert dust deposition in Libya. Atmospheric Environment, 40(21), 3881-3897. O’Loingsigh, T., McTainsh, G. H., Tews, E. K., Strong, C. L., Leys, J. F., Shinkfield, P., & Tapper, N. J. (2014). The Dust Storm Index (DSI): a method for monitoring broadscale wind erosion using meteorological records. Aeolian Research, 12, 29-40. Pourhashemi, S. (2024). Preparing a map of the sensitivity of the lands of Ilam province to dust production using data mining models. Environmental Erosion Research Journal, 14(3), 83-101. [In Persian] Rashki, A., Kaskaoutis, D. G., Rautenbach, C. D., Eriksson, P. G., Qiang, M., & Gupta, P. (2012). Dust storms and their horizontal dust loading in the Sistan region, Iran. Aeolian Research, 5, 51-62. Singer, A. R. I. E. H., Zobeck, T., Poberezsky, L., & Argaman, E. (2003). The PM10and PM2· 5 dust generation potential of soils/sediments in the Southern Aral Sea Basin, Uzbekistan. Journal of Arid Environments, 54(4), 705-728. Song, Z., Wang, J., & Wang, S. (2007). Quantitative classification of northeast Asian dust events. Journal of Geophysical Research: Atmospheres, 112(D4). Stuut, J. B. W. (2014). Subaquatic dust deposits. Mineral Dust: A Key Player in the Earth System, 443-462. Suhendra, R., Suryadi, S., Husdayanti, N., Maulana, A., Noviandy, T. R., Sasmita, N. R., Subianto, M., Earlia, N., Niode, N. J., & Idroes, R. (2023). Evaluation of Gradient Boosted Classifier in Atopic Dermatitis Severity Score Classification. Heca Journal of Applied Sciences, 1(2), 54–61. https://doi.org/10.60084/hjas.v1i2.85. Tourei, A., Pak, A., & Iranmanesh, M. A. (2024). Numerical modeling of land subsidence induced by groundwater extraction considering unsaturated effects and using element-free Galerkin (EFG) method. Sharif Journal of Civil Engineering, (), -. doi: 10.24200/j30.2023.59625.3256 | ||
|
آمار تعداد مشاهده مقاله: 54 تعداد دریافت فایل اصل مقاله: 84 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب