یک چارچوب یادگیری عمیق مبتنی بر گراف برای پیش‌بینی دینامیک سیستم‌های اجتماعی-اکولوژیکی: مطالعه موردی حوضه آبریز سیستان

مسعودی, بابک; بزی, صفورا; سالخورده حقیقی, محمد

doi:10.22034/ijwer.2026.549849.1111

یک چارچوب یادگیری عمیق مبتنی بر گراف برای پیش‌بینی دینامیک سیستم‌های اجتماعی-اکولوژیکی: مطالعه موردی حوضه آبریز سیستان

مقالات آماده انتشار

نوع مقاله : مقاله پژوهشی

نویسندگان

بابک مسعودی ¹

صفورا بزی ²

محمد سالخورده حقیقی ³

¹ گروه مهندسی فناوری اطلاعات، دانشگاه پیام نور ، تهران، ایران

² استادیار، گروه زیست شناسی، دانشگاه پیام نور، تهران، ایران

³ استادیار، گروه مهندسی عمران، دانشگاه زابل، زابل، ایران

10.22034/ijwer.2026.549849.1111

چکیده

سیستم‌های اجتماعی-اکولوژیکی (SES) در مناطق خشک، مانند حوضه سیستان، به دلیل تغییرات اقلیم و مداخلات انسانی با بحران‌های شدیدی از جمله خشکیدگی تالاب‌ها و طوفان‌های گرد و غبار روبرو هستند. مدل‌سازی دینامیک پیچیده و غیرخطی این سیستم‌ها به دلیل کمبود داده و عدم شفافیت مدل‌های هوش مصنوعی، یک چالش بزرگ محسوب می‌شود. این پژوهش یک چارچوب نوآورانه مبتنی بر یادگیری عمیق و شبکه‌های عصبی گراف برای مدل‌سازی و پیش‌بینی این سیستم‌ها ارائه می‌دهد. ابتدا، با استفاده از یک روش تلفیق داده‌ی مبتنی بر یادگیری ماشین، یک سری زمانی ۲۱ ساله و کامل برای شاخص آئروسل (به عنوان نماینده گرد و غبار) از داده‌های ماهواره‌ای چندمنظوره بازسازی شد تا مشکل داده‌های ناقص (MNAR) برطرف گردد. سپس، یک شبکه عصبی گراف که ساختار علّی سیستم در آن تعبیه شده، برای پیش‌بینی وضعیت آینده شش متغیر کلیدی محیطی آموزش داده شد. نتایج ارزیابی بر روی داده‌های دیده‌نشده، عملکرد قابل قبول مدل را با ضریب تعیین (R²) ۰.۵۵ برای وسعت آب و ۰.۴۳ برای شاخص آئروسل نشان داد. شبیه‌سازی سناریوهای مدیریتی نشان داد که مداخله فعال برای احیای تالاب می‌تواند به طور چشمگیری (بیش از ۵۵٪) منجر به بهبود شاخص آئروسل (کاهش گرد و غبار) و افزایش سلامت اکوسیستم شود. این چارچوب، ابزاری قدرتمند و شفاف برای پشتیبانی از تصمیم‌گیری و مدیریت پایدار در سیستم‌های پیچیده محیطی ارائه می‌دهد.

کلیدواژه‌ها

سیستم اجتماعی-اکولوژیکی

یادگیری عمیق

شبکه عصبی گراف

شاخص‌های هیدرولوژی

آلودگی گرد و غبار

موضوعات