بررسی شبکه عصبی فوریه مبتنی بر ترانسفورمرها بهمنظور پیشبینی شاخص FDSD (مطالعه موردی: استان ایلام) | ||
| مهندسی اکوسیستم بیابان | ||
| مقاله 5، دوره 15، شماره 50، بهار 1405، صفحه 65-84 اصل مقاله (1.49 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22052/deej.2026.258310.1137 | ||
| نویسندگان | ||
| رامتین طاوسی راد1؛ محمد انصاری قوجقار* 2؛ حسن خسروی1 | ||
| 1گروه مهندسی احیاء مناطق خشک و کوهستانی، دانشکده منابع طبیعی، دانشگاه تهران | ||
| 2استادیار، گروه مهندسی احیاء مناطق خشک و کوهستانی، دانشکده منابع طبیعی، دانشگاه تهران، کرج، ایران. | ||
| چکیده | ||
| طوفانهای گردوغبار بهعنوان یکی از انواع اصلی پدیدههایِ حدی اقلیمی شدید بهویژه در مناطق خشک و نیمهخشک محسوب میشوند و تأثیرات قابلتوجهی بر سلامت، محیطزیست و مدیریت منابع طبیعی دارند. پیشبینی دقیق این پدیده همچنان با دشواریهای جدی مواجه است. مطالعه حاضر قابلیت مدلهایِ یادگیریِ عمیق مدرن برای پیشبینیِ طوفانهایِ گردوغبار را با مقایسه عملکرد دو مدل انفرادی، Autoformer، FNO و یک چارچوب هیبریدی بر اساس ترکیب دو مدل برای مقیاسهای زمانی مختلف بررسی کرد. باتوجه به نتایج بهدستآمده، مدل هیبریدیِ FNO-AutoFormer بالاترین دقت پیشبینی را در تمامی شاخصهای ارزیابی ارائه داد. مقادیر شاخص NS بالای 932/0، مقدار همبستگی بیش از 914/0 و همچنین کاهش قابلتوجه خطاهای RMSE و MAE و ثبت مقادیر خطای 265/0 و 179/0 به ترتیب برای شاخصها، عملکرد بهتر مدلهای ترکیبی به نسبت مدلهای انفرادی در پیشبینی پدیدههای حدی اقلیمی نشان داد. همچنین یافتههای پژوهش حاضر ثابت کرد که بهمنظور پیشبینی طوفانهای گردوغبار برای نقاطی که عامل خارجی باعث گردوغبار میشود، ترکیبهای زمانی کوتاهمدت بهویژه ترکیب پیشبینی با یک فصل تأخیر، بهترین عملکرد دارند و دقت پیشبینی با افزایش تأخیر زمانی کاهش مییابد. | ||
| کلیدواژهها | ||
| گردوغبار؛ مدلهای دادهمحور؛ مدلهای هیبریدی؛ FNO | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 189 تعداد دریافت فایل اصل مقاله: 134 |
||