چکیده مقاله
خشک شدن دریاچه ارومیه به عنوان یکی از بحرانهای زیست محیطی، جدی منجر به افزایش انتشار ریزگردهای نمکی و پیامدهای نامطلوب بر سلامت عمومی کشاورزی و اقتصاد منطقه شده است در این پژوهش با هدف پیش بینی غلظت ریزگردها PM۱۰ در حوضه دریاچه ارومیه، از داده های هواشناسی، کاربری اراضی و سنجش از دور AOD بهره گرفته شد برای مدل سازی از روش های یادگیری ماشین شامل جنگل تصادفی RF ، ماشین بردار پشتیبان SVM و تقویت گرادیان GBM استفاده گردید داده ها به دو بخش شامل دوره مدل سازی ۲۰۰۰ ۲۰۲۰ و دوره اعتبارسنجی ۲۰۲۳ ۲۰۲۱ تقسیم شدند نتایج نشان داد هر سه مدل در مرحله آموزش دقت بالایی داشتند R۲ حدود ۰ ۸۱ ۰ ۸۳، MAE حدود ۰ ۳۲ ۰ ۳۴ و RMSE حدود ۰ ۴۱ ۰ ۴۴ ، اما در داده های دیده نشده کاهش نسبی کارایی مشاهده شد در این شرایط RF و GBM تمایل به کم برآوردی در مقادیر بالا داشتند در حالی که SVM توانست تعادل بیشتری در بازه های مختلف داده حفظ کند و در مجموع پایداری بهتری ارائه دهد تحلیل اهمیت ویژگی ها نیز نشان داد که شاخص AOD اصلی ترین عامل در پیش بینی غلظت PM۱۰ است و پس از آن متغیرهای اقلیمی مانند دما و بارش نقش تعیین کننده ای دارند
کلیدواژه‌ها
نویسندگان
حدیثه خالقی
دانشجوی کارشناسی ارشد دانشکده مهندسی عمران دانشگاه صنعتی شریف، تهران، ایران
سید رضی شیخ الاسلامی
استادیار، دانشکده مهندسی عمران دانشگاه صنعتی شریف، تهران، ایران
شیوه ارجاع
�القی، حدیثه و شیخ الاسلامی، سید رضی،1404،توسعه یک چهارچوب مبتنی بر یادگیری ماشین برای پیشبینی انتشار ریزگردها در حوضه دریاچه ارومیه،چهاردهمین کنگره بین المللی مهندسی عمران،تهران
ارائه‌شده در
مجموعه مقالات چهاردهمین کنگره بین المللی مهندسی عمران29 مهر 1404 · تهران