سامانه پشتیبانی خدمات اطلاعات

  اخبار و اعلانات

 آمار

تعداد نشریات163
تعداد شماره‌ها6,762
تعداد مقالات72,839
تعداد مشاهده مقاله131,882,921
تعداد دریافت فایل اصل مقاله103,542,891
انصاری قوجقار, محمد, پور محمد, پریا. (1404). 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). , (), -. doi: 10.22059/ijswr.2025.389735.669875
محمد انصاری قوجقار; پریا پور محمد. "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)". , , , 1404, -. doi: 10.22059/ijswr.2025.389735.669875
انصاری قوجقار, محمد, پور محمد, پریا. (1404). '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)', , (), pp. -. doi: 10.22059/ijswr.2025.389735.669875
انصاری قوجقار, محمد, پور محمد, پریا. 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). , 1404; (): -. doi: 10.22059/ijswr.2025.389735.669875

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
مراجع
آمار
تعداد مشاهده مقاله: 58
تعداد دریافت فایل اصل مقاله: 49





سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب