رزومه


EN
محمود حاجیانی

محمود حاجیانی

دانشیار

hajiani@birjand.ac.ir

دانشکده/پردیس: مهندسی

گروه/دانشکده عمران

مقطع تحصیلی: دکتری

رزومه
EN
محمود حاجیانی

دانشیار محمود حاجیانی

hajiani@birjand.ac.ir
دانشکده/پردیس: مهندسی - گروه/دانشکده عمران مقطع تحصیلی: دکتری |

محمود حاجیانی دانشیار گروه مهندسی عمران دانشگاه بیرجند است. دارای کارشناسی ارشد مهندسی عمران–آب از دانشگاه علم و صنعت ایران و دکتری عمران آب و محیط‌زیست از استرالیا می‌باشد. فعالیت‌های پژوهشی او بر حذف آلاینده‌های نوظهور با سنتز نانوذرات، به‌کارگیری فناوری‌های پیشرفته مانند فتوکاتالیست‌ها، و استفاده از رویکردهای نانوزیست‌فناوری برای حذف آلاینده‌های محیط‌زیستی متمرکز است. از دیگر زمینه‌های تخصصی او می‌توان به بررسی و حذف میکروپلاستیک‌ها از منابع آبی با روش‌های نوین، ساخت و توسعه پیل‌های زیستی برای تصفیه فاضلاب و تولید هیدروژن، مدلسازی پراکنش آلاینده‌های نوظهور مانند میکروپلاستیک‌ها در محیط‌های آبی، و بهره‌گیری از سامانه‌های سنجش‌ازدور برای پایش کیفی منابع آب اشاره کرد. وی تاکنون مقالات متعددی در مجلات معتبر بین‌المللی از جمله نشریات تحت نمایه JCR منتشر کرده است.

My affiliation

عضو هیات علمی گروه مهندسی عمران، دانشکده مهندسی دانشگاه بیرجند

نمایش بیشتر

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

نویسندگانمحمود حاجیانی,مهسا مردانی,معین توسن
نشریهآب و توسعه پایدار
شماره صفحات190-203
شماره سریال۱۲
شماره مجلد۴
نوع مقالهFull Paper
تاریخ انتشار۲۰۲۶
نوع نشریهالکترونیکی
کشور محل چاپایران
نمایه نشریهisc
کلید واژه هاجنگل تصادفی, شاخص استاندارد بارش, اصلاح خطا, محصولات بارش شبکه بندی شده

چکیده مقاله

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.

لینک ثابت مقاله