مقایسه عملکرد الگوریتم یادگیری سریع ELM با مدل عددی کد باز XBeach به منظور ارائه روش تلفیقی XBeach-ELM جهت پیش بینی طوفان های گرد و غبار (مطالعه موردی: استان لرستان)

هدف از این پژوهش ارزیابی و مقایسه کارکرد روش یادگیری سریع ELM با مدل عددی کدباز XBeach در ده ایستگاه سینوپتیک استان لرستان (نورآباد، الشتر، بروجرد، کوهدشت، خرم آباد، پل دختر، نوژیان، درود، ازنا و الیگودرز) در طول دوره آماری ۵۰ ساله (۲۰۲۰- ۱۹۷۱) به منظور ارائه روش تلفیقی XBeach- ELM برای پیش بینی شاخص FDSD بود. نتایج حاکی از وجود تفاوت چشم گیر و معنادار در نتایج مدل سازی با روش تلفیقی XBeach- ELM نسبت به سایر روش های مورد بررسی بود. روش تلفیقی XBeach- ELM با کم ترین مقدار معیارهای خطای NRMSE و MAPE، عملکرد بهتری را نسبت به روش یادگیری سریع ELM و مدل عددی XBeach نشان داد. مقایسه میانگین مقادیر مشاهداتی و پیش بینی شده با استفاده از آزمون t نشان دهنده پذیرش فرض صفر مبنی بر برابری میانگین های سری های زمانی مشاهداتی و پیش بینی شده شاخص فراوانی روزهای طوفان گرد و غبار در روش هیبریدی XBeach-ELM در استان لرستان بود. بدین ترتیب می توان بیان کرد که فقط مدل هیبریدی بررسی شده به طور موثر میانگین سری زمانی مشاهداتی را در پیش بینی شاخص FDSD حفظ کرده است در حالی که در دو روش انفرادی ELM و XBeach این برابری نشان داده نشده است. نتایج این مطالعه می تواند در توسعه سیستم های هشدار زودهنگام برای پیش بینی دقیق تر طوفان های گرد و غبار و کاهش خسارات انسانی و اقتصادی، برنامه ریزی شهری و زیرساختی برای مقاوم سازی مناطق پرخطر، حمایت از سیاست گذاری های محلی و ملی در زمینه مدیریت گرد و غبار، طراحی راهکارهای پایدار و توسعه مدل های پیش بینی، تاثیر به سزایی داشته باشد.

کلیدواژه ها:

دید افقی ، یادگیری ماشین ، FDSD ، روش های عددی ، معیار نیکویی برازش