پیوندهای مفید
آمار
| تعداد نشریات | 31 |
| تعداد شمارهها | 484 |
| تعداد مقالات | 4,286 |
| تعداد مشاهده مقاله | 7,298,689 |
| تعداد دریافت فایل اصل مقاله | 4,896,197 |
ارتباط شاخصهای پیوند از دور با شاخص عمق اپتیکی آئروسل در ایستگاههای منتخب استان سیستان و بلوچستان | ||
| مدل سازی و مدیریت آب و خاک | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 07 اسفند 1404 | ||
| نوع مقاله: پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22098/mmws.2026.19012.1755 | ||
| نویسندگان | ||
| ابوالفضل داوری1؛ رسول مهدوی* 2؛ مرضیه رضایی2؛ ام البنین بذرافشان3؛ علیرضا شهریاری4 | ||
| 1دانشجوی دکتری، گروه مهندسی منابعطبیعی، دانشکدة کشاورزی و منابعطبیعی ، دانشگاه هرمزگان، بندرعباس، ایران | ||
| 2دانشیار، گروه مهندسی منابعطبیعی، دانشکدة کشاورزی و منابعطبیعی، دانشگاه هرمزگان، بندرعباس، ایران | ||
| 3استاد، گروه مهندسی منابعطبیعی، دانشکدة کشاورزی و منابعطبیعی، دانشگاه هرمزگان، بندرعباس، ایران | ||
| 4دانشیار، گروه فضای سبز، دانشکدة جغرافیا و برنامهریزی محیطی، دانشگاه سیستان و بلوچستان، زاهدان، ایران | ||
| چکیده | ||
| شاخصهای پیوند از دور تأثیر بسزایی بر شدت و فراوانی طوفانهای گرد و غبار دارند. در این پژوهش به بررسی ارتباط بین شاخصهای پیوند از دور و تغییرات عمق اپتیکی آئروسل در ایستگاههای ایرانشهر و زابل در سیستان و بلوچستان پرداخته شده است. دادههای ماهانه AOD (۲۰00-۲۰21) از سنجنده MODIS و شاخصهای پیوند از دور از پایگاه NOAA استخراج شد. تحلیل اولیه با همبستگی پیرسون انجام گرفت. سپس، با استفاده از الگوریتم Boruta، متغیرهای مؤثر برای هر ایستگاه انتخاب شدند. پنج الگوریتم یادگیری ماشین شامل Bagged CART، LightGBM، Gradient Boosting، Random Forest و XGBoost برای مدلسازی استفاده شد و با معیارهای RMSE، MAPE و R² مورد ارزیابی قرار گرفتند. در نهایت، برای تفسیر مدلهای یادگیری ماشین از روشهای SHAP، تحلیل حساسیت Sobol و نمودارهای Partial Dependence Plots (PDP) استفاده گردید. نتایج همبستگی بین شاخصهای پیوند از دور و AOD نشان داد شاخص Atlantic Meridional Mode (AMM) با همبستگی منفی (437/0-) و North Atlantic Oscillation (NAO) با همبستگی مثبت (236/0) بیشترین تأثیر را بر عمق اپتیکی آئروسل ایرانشهر دارند، درحالیکه در زابل، شاخصهای(TNI) Trans-Niño Index و Western Hemisphere Warm Pool (WHWP) نقش اصلی را ایفا میکنند. تحلیل نتایج انتخاب ویژگیهای اقلیمی در ایستگاه ایرانشهر نشان داد، شاخصهای مرتبط با اقیانوس اطلس از جمله AMM،Tropical Northern Atlantic (TNA) و Atlantic Multi-decadal Oscillation (AMO) به همراه شاخصهای منطقهای مانند Tropical Southern Atlantic (TSA) و NAOبیشترین تأثیر را بر شرایط اقلیمی دارند. در مقابل، در ایستگاه زابل شاخصهای وابسته به اقیانوس آرام شامل TNI و WHWPنقش تعیینکنندهتری ایفا کردند. مدلسازی با پنج الگوریتم یادگیری ماشین نشان داد مدلهای XGBoost و Gradient Boosting بهعنوان بهترین مدلها قادر به پیشبینی دقیق عمق اپتیکی آئروسل هستند. تحلیل جامع ارزیابی اهمیت متغیرها در دو ایستگاه ایرانشهر و زابل نشان داد که عوامل اقلیمی مؤثر در هر منطقه کاملاً متمایز هستند. در ایرانشهر، شاخص AMM بهعنوان مؤثرترین عامل، بهویژه در تأخیرهای کوتاهمدت و در هر دو روش SHAP و Sobol شناخته شد. در مقابل، در زابل شاخصهای اقیانوس آرام (TNI و WHWP) نقش غالب داشتند و تأثیر آنها با افزایش مدت تأخیر، تشدید شد. همچنین، تحلیلهای PDP در هر دو ایستگاه، روابط غیرخطی را آشکار کرد که نشان میدهد تغییرات در مقادیر شاخصها در نقاط بحرانی میتواند اثرات نامتناسبی بر سیستم داشته باشد. این یافتهها میتواند مبنایی برای توسعه سیستمهای پیشبینی دقیقتر و برنامهریزی مدیریتی در برابر پدیدههای اقلیمی باشد. | ||
| کلیدواژهها | ||
| ارزش Shapley؛ پیوند از دور؛ تحلیل حساسیت Sobol؛ عمق اپتیکی آئروسل؛ مدل XGBoost | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 171 |
||