فهرست نشریات علمی دسترسی آزاد ایران

مدل‌سازی طوفان‌های گرد و غبار به بهبود پیش‌بینی این پدیده، کاهش ریسک‌های زیست‌محیطی و تدوین راهبردهای مناسب برای مقابله با اثرات آن کمک می‌کند و امکان درک بهتر تعاملات نظام‌های پویا و ارائه پیش‌بینی‌های معتبرتر را فراهم می‌سازد. در این راستا، استفاده از مدل‌های یادگیری ماشین با قابلیت تحلیل داده‌های پیچیده و روش عددی گالرکین با توانایی شبیه‌سازی دقیق، زمینه ارائه راهکارهای کارآمدتر را مهیا می‌کند. بدین ترتیب پژوهش حاضر به بررسی مقایسه مدل‌سازی فراوانی روز‌های همراه با طوفان گرد و غبار با استفاده از مدل یادگیری ماشین XGBoost و روش بدون المان گالرکین در هشت ایستگاه در طول دوره آماری 40 ساله (2020- 1981) پرداخته است. در هر دو مدل، ترکیب یک به‌عنوان ترکیب بهینه جهت پیش‌بینی شاخص FDSD برگزیده شد. نتایج نشان داد که مدل یادگیری ماشین XGBoost با مقدار معیارهای خطای RMSE و MAE کم‌تر و همچنین مقادیر R و NS نزدیک به واحد، با اختلاف ناچیزی، نسبت به روش بدون المان گالرکین، به‌عنوان مدل برگزیده جهت مدل‌سازی طوفان‌های گرد و غبار در استان ایلام انتخاب شده است. این در حالی است که این اختلاف در سطح اطمینان 95 و 99 درصد معنادار نبود و با توجه به هزینه‌ها و حجم محاسباتِ کم‌تر مدل عددی گالرکین، می‌توان از الگوریتم‌ عددی گالرکین به‌عنوان یک روش مناسب جهت مدل‌سازی شاخص FDSD استفاده نمود. نتایج این پژوهش می‌تواند در پیش‌بینی دقیق‌تر طوفان‌های گرد و غبار، طراحی سیستم‌های هشدار، تدوین سیاست‌های مدیریت بحران و کاهش خسارت‌های محیط‌زیستی این طوفان‌ها، کاربرد داشته باشد.