مدلهای پیشی بینی وضعیت خشکسالی به وسیله روشهای هوش مصنوعی
- سال انتشار: 1403
- محل انتشار: چهاردهمین کنفرانس بین المللی پژوهشهای نوین در عمران، معماری، مدیریت شهری و محیط زیست
- کد COI اختصاصی: ENGIN14_111
- زبان مقاله: فارسی
- تعداد مشاهده: 149
نویسندگان
دانشیار گروه انرژی های نو و محیط زیست، دانشکده علوم و فنون نوین، دانشگاه تهران
دانشجوی کارشناسی ارشد اکوهیدرولوژی، گروه انرژی های نو و محیط زیست، دانشکده علوم و فنون نوین، دانشگاه تهران
چکیده
پیشبینی خشکسالی یکی از جنبه های حیاتی سازگاری با تغییرات اقلیمی است که برای مدیریت موثر منابع آب، کشاورزی و کاهش بالیای طبیعی ضروری است. این مقاله به بررسی پیشرفت های اخیر در رویکردهای مبتنی بر هوش مصنوعی (AI) می پردازد، با تمرکز ویژه بر مدل های ترکیبی که تکنیک های آماری و یادگیری ماشین را ادغام می کنند. مدل های ترکیبی، مانند ARIMA-LSTM و ANN-ARIMA مبتنی بر موجک، دقت و قابلیت اطمینان بالاتری را در پیشبینی شاخص های خشکسالی در مقیاس های زمانی مختلف نشان داده اند. مدل های یادگیری عمیق، از جمله Transformers و Bidirectional LSTMs، در مدیریت پیچیدگی های غیرخطی داده های اقلیمی و هیدرولوژیکی برتری دارند و قابلیت های پیش بینی بی نظیری را ارائه می دهند. این مطالعه همچنین بر نقش چارچوب های هوش مصنوعی قابل توضیح (XAI) در افزایش شفافیت و تفسیر پذیری مدل های هوش مصنوعی تاکید می کند. ابزارهایی مانند SHAP و LIME بینشی در مورد اهمیت ویژگی ها ارائه می دهند و اعتماد بیشتری را در پیشبینی های مدل ایجاد می کنند و امکان تصمیم گیری آگاهانه را فراهم می آورند. در حالی که چالش هایی مانند هزینه های محاسباتی بالا، محدودیت های داده ها و ویژگی های جغرافیایی خاص همچنان وجود دارند، پیشرفت در ادغام سنجش از دور و تکنیک های بهینه سازی، مانند PSO و الگوریتم های ژنتیک، راه حل های امیدوارکننده ای را ارائه می دهند. جهت گیری های آینده شامل توسعه مدل های ترکیبی خاص منطقه و بالدرنگ و گسترش استفاده از XAI برای ارتقای اعتماد ذینفعان است. یافته ها بر پتانسیل تحول آفرین سیستم های پیشبینی خشکسالی مبتنی بر هوش مصنوعی تاکید می کنند و مسیرهای نوآورانه ای را برای افزایش تاب آوری اقلیمی و مدیریت پایدار منابع آب در سطح جهانی ارائه می دهند.کلیدواژه ها
پیشبینی خشکسالی, هوش مصنوعی, مدل های ترکیبی, هوش مصنوعی قابل توضیح, یادگیری ماشینمقالات مرتبط جدید
- Generative Design of Structural Forms Using Deep Generative Models: A New Paradigm in Structural Engineering
- مطالعه تطبیقی همنشینی زیباشناسی سبک مدرن و کلاسیک در طراحی معماری داخلی فضای خانه ها
- Investigating the Effect of Facade Material on the Amount of Carbon Emission (a case study of a residential building in Tehran)
- Comparative Analysis of Prefabricated Modular and Conventional Construction Systems: Efficiency, Cost, and Implementation Challenges
- An AI-Driven and Digital Twin-Based Framework for Climate-Resilient and Sustainable Infrastructure Management in Palm Jumeirah: A Case Study Integrating Remote Sensing, Numerical Modeling, and Green Project Practices
اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.