آمار
| تعداد نشریات | 14 |
| تعداد شماره‌ها | 692 |
| تعداد مقالات | 7,160 |
| تعداد مشاهده مقاله | 11,766,058 |
| تعداد دریافت فایل اصل مقاله | 10,484,095 |
مدلسازی تغییرات غلظت PM₁₀ در حوضه دریاچه ارومیه با استفاده از الگوریتم تقویت گرادیان شدید (XGBoost) | ||
| مجله پژوهش‌های حفاظت آب و خاک | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 24 آبان 1405 | ||
| نوع مقاله: مقاله کامل علمی پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22069/jwsc.2026.24778.3863 | ||
| نویسندگان | ||
| سیدرضی شیخ الاسلامی* ؛ حدیثه خالقی؛ علی کریمائی | ||
| دانشکده مهندسی عمران، دانشگاه صنعتی شریف | ||
| چکیده | ||
| سابقه و هدف: خشکسالی‌های متوالی و کاهش بی‌سابقه ذخایر آبی دریاچه ارومیه در دهه‌های اخیر، این اکوسیستم آبی منحصربه‌فرد را به یکی از کانون‌های اصلی بحران‌های زیست‌محیطی در سطح ملی و منطقه‌ای تبدیل کرده است. این بحران فراتر از یک چالش هیدرولوژیک، به یکی از مسائل برجسته زیست‌محیطی منطقه تبدیل شده و بازخوردهای منفی گسترده‌ای را در بر داشته است. خشک شدن گسترده بستر دریاچه، نه تنها منظر طبیعی منطقه را تغییر داده، بلکه شدت پدیده تولید و انتقال گردوغبار نمکی را به دنبال داشته که پیامدهای زیان‌باری بر سلامت عمومی، بخش کشاورزی، اقتصاد محلی و پایداری اکولوژیکی منطقه تحمیل نموده است. پراکنش ذرات معلق نمکی ناشی از طوفان‌های غبار، سلامت تنفسی جوامع ساکن در پیرامون دریاچه را تهدید کرده و عملکرد محصولات کشاورزی را در پهنه وسیعی از اراضی کشاورزی آذربایجان کاهش داده است. از این رو، پیش‌بینی دقیق و به‌موقع غلظت آلاینده‌های هوایی مانند ذرات معلق با قطر کمتر از ۱۰ میکرون (PM₁₀) از اهمیت راهبردی برخوردار است؛ چرا که این ذرات به دلیل قابلیت نفوذ به عمق سیستم تنفسی، اصلی‌ترین فاکتور خطر برای بیماری‌های ریوی به شمار می‌روند. هدف از این پژوهش، توسعه، آموزش و ارزیابی عملکرد یک مدل پیش‌بینی داده‌محور مبتنی بر الگوریتم تقویت گرادیان شدید (XGBoost) برای تخمین غلظت ماهانه PM₁₀ در پهنه حوضه آبریز دریاچه ارومیه بود تا با ارائه ابزاری دقیق، امکان مدیریت و تصمیم‌گیری بهینه برای مسئولان زیست‌محیطی فراهم گردد. مواد و روش‌ها: برای دستیابی به هدف اصلی این تحقیق، یک پایگاه داده جامع و چندبعدی طراحی و تدوین گردید. این پایگاه داده شامل طیف وسیعی از متغیرهای هواشناسی (نظیر دما، بارش و سرعت باد)، داده‌های مکانی (شامل نقشه کاربری اراضی و توپوگرافی) و پارامترهای سنجش از دور (Remote Sensing) نظیر شاخص عمق نوری آئروسل، AOD بود که نقش اساسی در شناسایی رفتار فیزیکی و شیمیایی پدیده غبار در جو دارند. پیش‌پردازش داده‌ها شامل حذف داده‌های پرت، نرمال‌سازی مقیاس‌ها و مدیریت مقادیر مفقوده با استفاده از روش‌های درون‌یابی زمانی بود. مدل XGBoost به عنوان یک الگوریتم یادگیری ماشین مبتنی بر درخت تصمیم که در مسائل رگرسیون و طبقه‌بندی بسیار قدرتمند عمل می‌کند، برای تحلیل این داده‌ها انتخاب شد. این مدل بر اساس داده‌های ماهانه در یک دوره آموزشی وسیع (سال‌های ۲۰۰۰ تا ۲۰۲۰) توسعه یافت. برای اطمینان از قابلیت تعمیم و پایداری مدل، فرآیند ارزیابی با استفاده از داده‌های آزمون (خارج از نمونه) مربوط به سال‌های ۲۰۲۱ تا ۲۰۲۳ انجام پذیرفت که این امر پایداری عملکرد مدل در مواجهه با شرایط اقلیمی جدید را تضمین کرد. علاوه بر معیارهای استاندارد دقت (شامل ضریب تعیین (R2)، ریشه میانگین مربعات خطا (RMSE) و میانگین قدرمطلق خطا (MAE)) ، تحلیل‌های زمانی و مکانی پیشرفته بر روی باقیمانده‌های مدل (Residuals) جهت شناسایی نقاط ضعف سیستمی و خطاهای ساختاری انجام شد. همچنین، اهمیت نسبی متغیرهای ورودی با استفاده از روش اهمیت جایگشتی (Permutation Importance) مورد سنجش قرار گرفت تا مشخص شود کدام عامل (دما، سرعت باد، AOD و …) نقش تعیین‌کننده‌تری در نوسانات PM₁₀ دارد. یافته‌ها: نتایج ارزیابی عملکرد مدل نشان‌دهنده دقت بالای الگوریتم XGBoost در تخمین غلظت ماهانه PM₁₀ بود. در مرحله مدلسازی، R2 به مقدار ۰.۸۴ و در مرحله اعتبارسنجی خارج از نمونه به ۰.۷۱ دست یافت، که نشان‌دهنده توانایی بالای مدل برای تعمیم به شرایط جدید و متغیرهای اقلیمی آتی است. مقادیر RMSE و MAE نیز در هر دو مرحله نسبتاً پایین گزارش شد (به ترتیب ۰.۴۰۲ و ۰.۳۱۵ در مرحله مدلسازی)، که صحت محاسباتی پیش‌بینی‌ها را تقویت می‌نماید. تحلیل پایداری زمانی باقیمانده‌ها نشان داد که مدل از ثبات عملکردی خوبی در طول ماه‌های سال برخوردار است؛ با این حال، در برخی ماه‌های فصل بهار که به دلیل ناپایداری‌های همرفتی و تفاوت‌های دمایی شدید، رفتار جو غیرخطی‌تر می‌شود، تمایل اندکی به کم‌برآوردی (Underestimation) غلظت‌های واقعی PM₁₀ مشاهده گردید. بررسی توزیع مکانی باقیمانده‌ها حاکی از آن بود که بالاترین میزان خطای پیش‌بینی به‌طور مشخص در نواحی شمالی و شمال‌غربی حوضه متمرکز شده است؛ این مناطق با گستره‌های وسیع نمک‌زار و بسترهای خشک شده دریاچه همپوشانی دارند که نشان می‌دهد در این مناطق، منابع انتشار محلی نقش پررنگ‌تری دارند که ممکن است در متغیرهای مقیاس بزرگ به طور کامل دیده نشوند. بر اساس تحلیل اهمیت متغیرها، شاخص AOD به عنوان قوی‌ترین عامل پیش‌بینی‌کننده معرفی شد، که پس از آن متغیرهای دمای هوا، سرعت باد و بارش بالاترین سهم را در تعیین غلظت PM₁₀ داشتند. این رتبه‌بندی تأیید می‌کند که تعامل مستقیم بین شاخص‌های اپتیکی جو و پارامترهای حرارتی هوا، اصلی‌ترین محرک تغییرات آلاینده در منطقه است. نتیجه گیری: در مجموع، این مطالعه نشان داد که الگوریتم XGBoost به عنوان یک رویکرد داده‌محور پیشرفته، پتانسیل بالایی برای مدلسازی دقیق و تحلیل دینامیک زمانی و مکانی غلظت ذرات معلق (PM₁₀) در مناطق تحت تأثیر خشکی دریاچه‌ها، از جمله حوضه آبریز دریاچه ارومیه، دارد. در حالی که مدل‌های آماری کلاسیک در مواجهه با روابط پیچیده و غیرخطیِ داده‌های اقلیمی و سنجش از دور با محدودیت‌های قابل‌توجهی روبرو هستند، مدل XGBoost به واسطه ساختار درختی و فرآیند تقویت گرادیان، توانست با دقت بالایی الگوهای حاکم بر انتشار غبار را شناسایی و استخراج نماید. یافته‌های این پژوهش، ابزاری کارآمد و قابل‌اطمینان برای تصمیم‌گیران و سیاست‌گذاران حوزه محیط‌زیست فراهم می‌آورد تا با اتکا به پیش‌بینی‌های دقیق‌تر، مخاطرات زیست‌محیطی ناشی از گردوغبار نمکی را بهتر مدیریت کنند. همچنین، نتایج این مطالعه امکان ایجاد بستری برای پایش مستمر کیفیت هوا را فراهم می‌سازد که می‌تواند به عنوان مرجعی برای ارزیابی مداخلات مدیریتی در کانون‌های شناسایی‌شده عمل کند. در نهایت، با توجه به عملکرد مطلوب مدل در این تحقیق، استفاده از این رویکرد می‌تواند گام مهمی در جهت بهبود پایش زیست‌محیطی و تدوین استراتژی‌های سازگاری با تغییرات اقلیمی در حوضه آبریز دریاچه ارومیه باشد. | ||
| کلیدواژه‌ها | ||
| غلظت ذرات معلق؛ گرد و غبار؛ حوضه آبریز دریاچه ارومیه؛ یادگیری گروهی؛ خشکسالی | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 0 |
||
سامانه مدیریت نشریات علمی. طراحی و پیاده سازی از سیناوب