<span lang="FA">نقش مدل های طبقه بندی داده محور در تفکیک رخدادهای گردوغبار وابسته و غیروابسته به جریان جتی در غرب و جنوب غرب ایران

گردوغبار یکی از مهم ترین مخاطرات غرب و جنوب غرب ایران است و بررسی آن نیازمند ترکیب دید دینامیکی و روش های داده محور است. در این پژوهش، با بهره گیری از داده های ۲۹ ایستگاه هواشناسی همدیدی و متغیرهای دینامیکی_ترمودینامیکی بازتحلیل های جهانی طی دوره ۲۰۲۴–۲۰۱۰، کارایی مدل های طبقه بندی داده محور در شناسایی و تفکیک رخدادهای گردوغبار وابسته و غیروابسته به جریان جتی بررسی شد. رخدادهای گردوغبار بر پایه کدهای وضعیت جوی گردوغبار در گزارش های همدیدی شناسایی و سپس با استفاده از دید افقی، به کلاس های شدت/نوع تفکیک شدند. داده ها همچنین به دو رژیم «همراه با جریان جتی» و «بدون جریان جتی» دسته بندی شدند. در هر دو رژیم، انتخاب ویژگی با الگوریتم Boruta انجام و سپس طبقه بندی با چند مدل یادگیری ماشین (Random Forest، XGBoost، SVM، شبکه عصبی و وایازش لجستیک) و با شاخص های Accuracy، AUC و F۱ ارزیابی شد. در رژیم همراه جریان جتی، متغیرهای تراز بالا و میدان فشار (ارتفاع ژئوپتانسیل و سرعت باد افقی تراز ۲۵۰ هکتوپاسکال، به همراه فشار و باد سطحی) در تفکیک طوفان های با دید ۱۰۰۰–۲۰۰ متر از گردوغبار معلق نقش غالبی داشتند و XGBoost و Random Forest بالاترین مهارت را در طبقه بندی دوکلاسی ارائه کردند. در رژیم بدون جریان جتی و در مسئله چهارکلاسی، وزن اصلی به متغیرهای نزدیک سطح (فشار سطحی، دمای ۲ متری و باد ۱۰ متری) منتقل شد و SVM با کرنل RBF پایدارترین عملکرد را نشان داد. نتایج بیانگر آن است که تفکیک رژیم های همدیدی و انتخاب متغیرها و مدل های متناسب با هر رژیم، می تواند دقت و تفسیرپذیری سامانه های هشدار گردوغبار را افزایش دهد.

کلیدواژه ها:

طبقه بندی رخداد ، مدل های طبقه بندی ، گردوغبار ، جت استریم