CV


FA
Mahmood Hajiani

Mahmood Hajiani

Associate Professor

hajiani@birjand.ac.ir

دانشکده/پردیس: Engineering

گروه/دانشکده Civil Engineering

Degree: Doctoral

CV
FA
Mahmood Hajiani

Associate Professor Mahmood Hajiani

hajiani@birjand.ac.ir
دانشکده/پردیس: Engineering - گروه/دانشکده Civil Engineering Degree: Doctoral |

Mahmoud Hajiani is an Associate Professor in the Department of Civil Engineering at the University of Birjand. He holds an M.Sc. in Water Engineering from Iran University of Science and Technology and a Ph.D. in Water and Environmental Engineering from Australia. His research focuses on the removal of emerging contaminants through nanoparticle synthesis, advanced technologies such as photocatalysis, and nano-bio approaches for environmental pollution control. His expertise also includes investigating and removing microplastics from water resources using innovative methods, developing bio-electrochemical systems for wastewater treatment and hydrogen production, modeling the dispersion of emerging pollutants such as microplastics in aquatic environments, and applying remote sensing systems for water quality assessment. He has published numerous research articles in reputable international journals, including those indexed in the JCR database.

My affiliation

Department of Civil Engineering, Faculty of Engineering, University of Birjand

Show More

ارتقاء پایش خشکسالی هواشناسی در مناطق خشک: ادغام داده های بارش ماهواره ای مبتنی بر یادگیری ماشین

Authorsمحمود حاجیانی,مهسا مردانی,معین توسن
Journalآب و توسعه پایدار
Page number190-203
Serial number۱۲
Volume number۴
Paper TypeFull Paper
Published At۲۰۲۶
Journal TypeElectronic
Journal CountryIran, Islamic Republic Of
Journal Indexisc
Keywordsجنگل تصادفی, شاخص استاندارد بارش, اصلاح خطا, محصولات بارش شبکه بندی شده

Abstract

پایش دقیق خشکسالی و مدیریت منابع آب در مناطق خشک و نیمه‌خشک، همواره با چالش کمبود و توزیع نامناسب ایستگاه‌های زمینی مواجه است. اگرچه محصولات بارش شبکه‌بندی‌شده پتانسیل بالایی برای پر کردن خلأهای داده‌ای دارند، اما وجود خطاهای سیستماتیک و عدم‌قطعیت‌های ذاتی در برآورد مقادیر حدی، کارایی آن‌ها را در مدل‌سازی هیدرولوژیکی محدود می‌سازد. پژوهش حاضر با هدف ارتقای دقت پایش خشکسالی هواشناسی در استان خراسان جنوبی، به توسعه یک مدل ادغام‌شده مبتنی بر الگوریتم یادگیری ماشین پرداخته است. بدین منظور، چهار محصول پرکاربرد شامل TRMM، CHIRPS، GSMaP و ERA5 به همراه متغیرهای کمکی مکانی-زمانی، به‌عنوان ورودی‌های مدل جنگل تصادفی در نظر گرفته شدند و با استفاده از داده‌های بارش روزانه ایستگاه‌های سینوپتیک طی دوره ۱۰ ساله (۲۰۱۰–۲۰۱۹) آموزش و اعتبارسنجی گردیدند. ارزیابی عملکرد مدل در مقیاس روزانه نشان داد که محصول ادغام‌شده با دستیابی به ضریب همبستگی میانه 87/0، ریشه میانگین مربعات خطای 78/0 میلی‌متر در روز و شاخص موفقیت بحرانی 545/0، برتری آماری معناداری نسبت به تمامی محصولات خام دارد. علاوه بر بهبود دقت کمی، ارزیابی هیدرولوژیکی بر اساس شاخص استاندارد بارش بیانگر انطباق بالای محصول اصلاح‌شده با واقعیت زمینی در هر دو مقیاس کوتاه‌مدت و بلندمدت بود (با 81/0R2 > و 40/0RMSE <). یافته‌های این پژوهش اثبات می‌کند که رویکرد همجوشی هوشمند قادر است با کاهش مؤثر عدم‌قطعیت‌های محصولات بارشی، داده‌های اقلیمی قابل‌اتکایی را جهت توسعه سیستم‌های هشدار زودبه‌نگام خشکسالی در مناطق فاقد داده فراهم آورد.

Paper URL