فـرشتگان ، بـالهای خـود را برای جوینده دانش می گسترانند و برایش آمرزش می طلبند . کنز العمّال : ۲۸۷۴۵ منتخب میزان الحکمه : ۳۹۸
جستجو در پایگاه
دریافت اطلاعات پایگاه
گامی نوین برای پایش کمهزینه کیفیت آب دریاچههای قطبی توسط پژوهشگران دانشگاه علم و صنعت ایران
| آخرین بروزرسانی: 1405/6/30 |
گامی نوین برای پایش کمهزینه کیفیت آب دریاچههای قطبی توسط پژوهشگران دانشگاه علم و صنعت ایران
دکتر مجید حسین زاده، عضو هیئت علمی دانشکده مهندسی عمران، محمدجواد سراوانی و محمدمیلاد سلامت طلب، دانشجویان کارشناسی ارشد دانشکدۀ مهندسی عمران به همراه همکاری محقق بین الملی از کشورهای فنلاند، چین، کانادا، ایالت متحده آمریکا و انگلستان موفق به انتشار و چاپ مقالهای در سال ۲۰۲۶ تحت عنوان «پیوند هیپولیمنیون به اپیلیمنیون در یک دریاچه قطبی طبقهبندیشده: تخمین مبتنی بر یادگیری ماشین از کیفیت آب هیپولیمنتیک از اندازهگیریهای اپیلیمنتیک» در ژورنال بین المللی Water Research گردیده اند. این مقاله تحت "پیوند میان لایه هیپولیمنیون و اپیلیمنیون در یک دریاچه قطبی لایهبندی شده: تخمین کیفیت آب لایه هیپولیمنیون بر اساس اندازهگیریهای لایه اپیلیمنیون با استفاده از یادگیری ماشین" در مجله Water Research با ضریب تاثیر ۱۲.۸ منتشر شده است. این مقاله درباره این موضوع است که چگونه میتوان با استفاده از دادهها و اندازهگیریهای سطحی دریاچه (که دسترسی به آنها آسان است)، و با کمک هوش مصنوعی، وضعیت کیفیت آب در لایههای عمیق و دور از دسترس دریاچه (که اندازهگیری از آنها دشوار است) را پیشبینی و تخمین زد. این مجله که توسط انتشارات الزویر (Elsevier) منتشر میشود. مجله Water Research یک نشریه علمی بین المللی است که با انجمن بین المللی آب (IWA) همکاری دارد و مقالات پژوهشی اصیل را در تمام جنبه های چرخه آب انسان ساخت، کیفیت آب و مدیریت آن در سراسر جهان منتشر می کند.اندازه گیری کیفیت آب در سطح، امروزه با حسگرها و ماهواره ها آسان و کم هزینه است، اما بررسی کیفیت آب در عمق دریاچه کار دشوار، پرهزینه و از نظر لجستیکی پیچیده است، به ویژه در مناطق قطبی که شرایط سخت و دسترسی دشوار است. محققان با هوش مصنوعی یاد گرفته اند که از روی داده های ساده و در دسترسِ سطح آب، وضعیت سلامت بخش های عمیق و پنهان دریاچه های قطبی را پیش بینی کنند، بدون اینکه نیاز به اندازه گیری های سخت و پرهزینه در اعماق داشته باشند. این رویکرد با کاهش چشمگیر هزینه و پیچیدگی پایش کیفیت آب در اعماق دریاچه ها، به جوامع بومی و ساکنان مناطق قطبی کمک میکند تا از سلامت منابع آبی که برای ماهیگیری، شرب و معیشت روزمره به آن وابسته اند، آگاهی به موقع و قابل اعتمادتری داشته باشند و در برابر تهدیدهای ناشی از تغییرات اقلیمی بهتر تصمیم گیری کنند. درک کیفیت آب در لایههای عمیقتر دریاچههای لایهبندیشده بسیار مهم است، زیرا این مناطق، پایداری اکوسیستم و سلامت تنوع زیستی را کنترل میکنند. هیپولیمنیون، پایینترین لایه یک دریاچه لایهبندیشده، با گردش عمودی محدود مشخص میشود و تجمع آلایندهها را تسهیل میکند، بنابراین به عنوان شاخصی از وضعیت بلندمدت دریاچه عمل میکند . در حالی که اکنون میتوان کیفیت آب سطحی را به طور معمول با استفاده از حسگرهای درجا و مشاهدات ماهوارهای پایش کرد، ارزیابی شرایط هیپولیمنتیک همچنان پرهزینه و از نظر لجستیکی چالشبرانگیز است، به ویژه در مناطق قطبی با شرایط محیطی شدید و محدودیتهای لجستیکی. این مطالعه با استفاده از یک مجموعه داده بلندمدت مربوط به سالهای ۱۹۷۹ تا ۲۰۲۲ که در یک ایستگاه پایش واحد جمعآوری شده و در آن پروفایلهای اپیلیمنتیک و هیپولیمنتیک اندازهگیری میشوند، پنج مدل یادگیری ماشین و یادگیری عمیق شامل شبکههای عصبی مصنوعی (ANN)، جنگل تصادفی (RF)، تقویت گرادیان شدید، رگرسیون بردار پشتیبان و شبکههای کولموگروف-آرنولد را برای تخمین نیتروژن کل هیپولیمنتیک (TN)، فسفر کل (TP) و اکسیژن محلول (DO) در دریاچه ایناری، فنلاند، بر اساس پیشبینیکنندههای کیفیت آب اپیلیمنتیک که به راحتی در دسترس هستند، توسعه داده و مقایسه میکند. عملکرد مدل با استفاده از اعتبارسنجی متقابل پنجگانه ارزیابی شد و با کارایی نش-ساتکلیف (NSE)، میانگین خطای مطلق نرمالشده (NMAE) و ضریب تعیین (R۲) ارزیابی شد. این مطالعه یک رویکرد عملی، تقریباً بلادرنگ و مقرونبهصرفه برای ارزیابی کیفیت آبهای عمیق در دریاچههای قطبی طبقهبندیشده را نشان میدهد و فرصتهای جدیدی را برای بهبود نظارت و مدیریت تحت فشارهای فزاینده آب و هوایی ارائه میدهد. لینک دسترسی به مقاله
.jpg)
