مقایسه مدل هیبریدی SVR-ACOR-Holt-Winters و مدل GEP بهینه شده با الگوریتم وال به منظور پیش بینی طوفان های گردوغبار، مطالعه موردی: استان خوزستان

سال انتشار: 1404
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 22

فایل این مقاله در 26 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JPHGR-57-1_002

تاریخ نمایه سازی: 11 شهریور 1404

چکیده مقاله:

استان خوزستان به عنوان یکی از کانون های اصلی طوفان های گردوغبار در ایران به دلیل شرایط جغرافیایی خاص خود، همواره با چالش های جدی در زمینه سلامت عمومی و پایداری محیط زیستی مواجه است. در این پژوهش، به ارائه یک هیبریدی SVR-ACOR-Holt-Winters به منظور مدل سازی طوفان های گردوغبار در استان خوزستان، در طول دوره آماری ۵۰ ساله (۲۰۲۰- ۱۹۷۱) پرداخته شده است. نتایج نشان داد که مدل SVR-ACOR-Holt-Winters با ریشه میانگین مربعات خطا (۳۱۷/۰ - ۲۹۳/۰ =RMSE)، ضریب همبستگی (۸۴۹/۰ - ۸۷۳/۰ =R)، میانگین قدرمطلق خطا (۲۷۵/۰- ۲۹۳/۰ =MAE)، با اختلاف محسوسی، نسبت به مدل های انفرادی و مدل های دوگانه بررسی شده، به عنوان مدل برتر انتخاب شده است. ایستگاه آبادان با بیشترین فراوانی روزهای گردوغباری دقت بالاتری را در پیش بینی طوفان های گردوغبار در استان نشان داد که دلیل آن را می توان در ارتباط متغیرهای اقلیمی همچون دمای حدی و سرعت باد بر افزایش شاخص فراوانی روزهای همراه با این طوفان ها در خوزستان یافت. لذا می توان نتیجه گرفت مدل سازی طوفان های گردوغبار در مناطق بحرانی تر از دقت بیشتری برخوردار است. نتایج این مطالعه می تواند در مدل سازی پدیده گردوغبار و طراحی سیستم های هشدار طوفان های گردوغبار و کاهش خسارات ناشی از این پدیده، به کار گرفته شود. کاربرد این مدل در سایر مناطق دارای شرایط اقلیمی مشابه نیز می تواند موردبررسی قرار گیرد تا امکان تعمیم پذیری و اثربخشی آن در پیش بینی طوفان های گردوغبار در سطح ملی و منطقه ای ارزیابی شود.

کلیدواژه ها:

نویسندگان

محمد انصاری قوجقار

گروه مهندسی احیاء مناطق خشک و کوهستانی، دانشکده منابع طبیعی، دانشگاه تهران، کرج، ایران

پریا پورمحمد

گروه مهندسی احیاء مناطق خشک و کوهستانی، دانشکده منابع طبیعی، دانشگاه تهران، کرج، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :