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)

نویسندگان

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

2 دانشجو دکتری، گروه مهندسی احیاء مناطق خشک و کوهستانی، دانشکده منابع طبیعی، دانشگاه تهران، کرج، ایران.

doi
10.22059/ijswr.2025.389735.669875
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 برای 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.