| مروری بر کاربردهای یادگیری ماشین در مدلسازی مخاطرات اقلیمی |
| کد مقاله : 1187-NERS |
| نویسندگان |
|
مرتضی پاکدامن *1، ابراهیم اسعدی اسکوئی2 1عضو هیات علمی پژوهشکده اقلیم شناسی 2رییس پژوهشکده اقلیم شناسی و تغییر اقلیم |
| چکیده مقاله |
| افزایش فراوانی و شدت مخاطرات اقلیمی در دهه‌های اخیر، توجه پژوهشگران را به توسعه روش‌های کارآمد برای تحلیل، پیش‌بینی و مدیریت این پدیده‌ها جلب کرده است. در سال‌های اخیر، یادگیری ماشین به‌عنوان یکی از رویکردهای نوین، کاربرد گسترده‌ای در مدلسازی مخاطرات اقلیمی یافته است. این مقاله مروری با هدف جمع‌بندی و تحلیل نظام‌مند مطالعات منتشرشده، به بررسی نقش و کارایی روش‌های مختلف یادگیری ماشین در مدلسازی مخاطراتی نظیر سیلاب، خشکسالی، امواج گرما، طوفان‌ها و سایر پیامدهای تغییر اقلیم می‌پردازد. در این راستا، پژوهش‌های پیشین که از الگوریتم‌هایی مانند جنگل تصادفی، ماشین بردار پشتیبان، شبکه‌های عصبی و روش‌های مبتنی بر یادگیری عمیق استفاده کرده‌اند، از نظر نوع داده‌های ورودی، مقیاس مکانی و زمانی، و معیارهای ارزیابی عملکرد مورد مقایسه قرار گرفته‌اند. جمع‌بندی نتایج نشان می‌دهد که این روش‌ها، به‌ویژه در مواجهه با روابط غیرخطی و داده‌های چندمنبعی، قابلیت بالایی در بهبود دقت مدلسازی مخاطرات اقلیمی نسبت به رویکردهای کلاسیک دارند. در عین حال، چالش‌هایی همچون کیفیت و عدم قطعیت داده‌ها، محدودیت تفسیرپذیری مدل‌ها و نیاز به تلفیق رویکردهای داده‌محور با دانش فیزیکی سامانه‌های اقلیمی مورد تأکید قرار می‌گیرد. نتایج این مقاله می‌تواند به‌عنوان مرجعی برای پژوهشگران و تصمیم‌گیران در انتخاب و به‌کارگیری روش‌های مناسب یادگیری ماشین در مدیریت ریسک مخاطرات اقلیمی مورد استفاده قرار گیرد. |
| کلیدواژه ها |
| هوش مصنوعی، یادگیری ماشین، مخاطرات اقلیمی، تغییر اقلیم |
| وضعیت: پذیرفته شده |
