
تعداد نشریات | 163 |
تعداد شمارهها | 6,761 |
تعداد مقالات | 72,822 |
تعداد مشاهده مقاله | 131,613,473 |
تعداد دریافت فایل اصل مقاله | 103,406,003 |
مقایسه عملکرد الگوریتم یادگیری سریع ELM با مدل عددیِ کد بازِ XBeach بهمنظور ارائه روشِ تلفیقیِ XBeach- ELM جهت پیشبینی طوفانهای گرد و غبار (مطالعه موردی: استان لرستان) | ||
تحقیقات آب و خاک ایران | ||
مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 01 اردیبهشت 1404 اصل مقاله (2.02 M) | ||
نوع مقاله: مقاله پژوهشی | ||
شناسه دیجیتال (DOI): 10.22059/ijswr.2025.389735.669875 | ||
نویسندگان | ||
محمد انصاری قوجقار* 1؛ پریا پور محمد2 | ||
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 | ||
هدف از این پژوهش ارزیابی و مقایسه کارکرد روشِ یادگیریِ سریع ELM با مدلِ عددیِ کدباز XBeach در ده ایستگاه سینوپتیک استان لرستان (نورآباد، الشتر، بروجرد، کوهدشت، خرم آباد، پل دختر، نوژیان، درود، ازنا و الیگودرز) در طول دورهآماری 50 ساله (2020- 1971) بهمنظور ارائه روشِ تلفیقیِ XBeach- ELM جهت پیشبینی شاخص FDSD بود. نتایج حاکی از وجود تفاوت چشمگیر و معنادار در نتایج مدلسازی با روشِ تلفیقیِ XBeach- ELM نسبت به سایر روشهای مورد بررسی بود. روشِ تلفیقیِ XBeach- ELM با کمترین مقدار معیارهای خطای NRMSE و MAPE، عملکرد بهتری را نسبت به روشِ یادگیریِ سریع ELM و مدلِ عددیِ XBeach نشان داد. مقایسه میانگین مقادیر مشاهداتی و پیشبینیشده با استفاده از آزمون t نشاندهنده پذیرش فرض صفر مبنی بر برابری میانگینهای سریهای زمانی مشاهداتی و پیشبینیشده شاخص فراوانی روزهای طوفان گرد و غبار در روش هیبریدی XBeach-ELM در استان لرستان بود. بدین ترتیب میتوان بیان کرد که فقط مدل هیبریدی بررسی شده بهطور مؤثر میانگین سری زمانی مشاهداتی را در پیشبینی شاخص FDSD حفظ کرده است در حالیکه در دو روش انفرادی ELM و XBeach این برابری نشان داده نشده است. نتایج این مطالعه میتواند در توسعه سیستمهایِ هشدارِ زودهنگام برای پیشبینی دقیقتر طوفانهای گرد و غبار و کاهش خسارات انسانی و اقتصادی، برنامهریزی شهری و زیرساختی برای مقاومسازی مناطق پرخطر، حمایت از سیاستگذاریهای محلی و ملی در زمینه مدیریت گرد و غبار، طراحی راهکارهای پایدار و توسعه مدلهای پیشبینی، تاثیر بهسزایی داشته باشد. | ||
کلیدواژهها | ||
دید افقی؛ یادگیری ماشین؛ FDSD؛ روشهای عددی؛ معیار نیکویی برازش | ||
عنوان مقاله [English] | ||
A comparison of the ELM algorithm and XBeach model in developing a hybrid XBeach-ELM method for dust storm prediction (Case study: Lorestan 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,Karaj, Iran. | ||
چکیده [English] | ||
This study aims to assess and compare the performance of the Extreme Learning Machine (ELM) rapid learning algorithm with the open-source numerical model XBeach across ten synoptic stations in Lorestan Province (including Nurabad, Alishtar, Borujerd, Kuhdasht, Khorramabad, Pol-e Dokhtar, Nojian, Dorud, Azna, and Aligudarz) over a 50-year period (1971–2020), with the objective of proposing a hybrid XBeach-ELM method for predicting the Frequency of Dust Storm Days (FDSD) index. The findings revealed a statistically significant and meaningful difference in the modeling results when using the hybrid XBeach-ELM approach compared to other methods examined. The hybrid XBeach-ELM method outperformed the ELM and XBeach models, showing the lowest values for the NRMSE and MAPE error metrics. A t-test comparison of the observed and predicted mean values confirmed the acceptance of the null hypothesis, indicating no significant difference between the observed and predicted time series for the FDSD index when applying the hybrid XBeach-ELM method in Lorestan Province. This equivalence was not observed with the individual ELM or XBeach models. These results suggest that only the hybrid model effectively preserved the mean of the observed time series in predicting the FDSD index. The outcomes of this study have substantial implications for the enhancement of early warning systems, enabling more accurate dust storm forecasting, reducing human and economic losses, supporting urban and infrastructure planning to bolster resilience in high-risk areas, informing local and national policy-making on dust storm management, and advancing the development of sustainable solutions to improve the accuracy of predictive models. | ||
کلیدواژهها [English] | ||
Horizontal visibility, Machine Learning, FDSD, Numerical modeling, Goodness-of-fit criteria | ||
مراجع | ||
| ||
آمار تعداد مشاهده مقاله: 54 تعداد دریافت فایل اصل مقاله: 48 |