محمد پاخیره زن

نسیم دریا- خشکی به منزلة گردش محلی تحت تأثیر واداشت های بزرگ و مقیاس جوی است. در این تحقیق تأثیر الگوهای همدیدی باد شمال بر رفتار باد ساحلی در منطقة بوشهر بررسی شده است. الگوی فشاری خاص تراز پایین در فصل های گرم و گاهی در فصل های سرد، سبب ایجاد میدان باد شمال غربی در جنوب ترکیه، عراق و خلیج فارس می شود که عامل مهمی در برداشت و انتقال گردوغبار در این مناطق است. این پدیده، الگوی باد ساحلی را تحت تأثیر قرارمی دهد و در مواقعی محو می کند. مشاهده شد در سال2010 باد شمال تابستانی در ماه های می، ژوئن و ژوئیه رخداد بالایی داشته و باد شمال زمستانی در بازة زمانی دسامبر تا مارس و برای چند بازة چندروزه رخ داده است. تأثیر این پدیده بر نسیم دریا- خشکی در منطقة بوشهر با استفاده از داده های ایستگاه های اندازه گیری در منطقة بوشهر و مدل WRF بررسی شده است. در روزهایی که نسیم دریا- خشکی تحت واداشت بادشمال از بین برود، میانگین سرعت وزش باد روزانه بیش از روزهایی است که نسیم دریا- خشکی رخ داده است، به طوری که سرعت وزش باد در روزهایی که گردش نسیم دریا- خشکی شکل نمی گیرد، حدود 15 تا 18 متر بر ثانیه مشاهده شده است، در حالی که میانگین سرعت وزش باد در سایر روزها حدود 8 متر بر ثانیه بوده است.

سونامی به عنوان یکی از مخرب ترین بلایای طبیعی، همواره خطری جدی برای مناطق ساحلی محسوب می شود. با وجود پیشرفت های صورت گرفته در سامانه های هشدار زودهنگام، چالش هایی چون دقت محدود، زمان تأخیر بالا و عدم گستردگی مکانی، همچنان پابرجاست. این پژوهش با هدف تحلیل نقش تحول آفرین فناوری اینترنت اشیا (IoT) در ارتقای سامانه های پایش و هشدار سونامی و ارائه چارچوبی مفهومی مبتنی بر ادغام حسگرهای هوشمند، شبکه های ارتباطی، پردازش ابری و مدل های عددی انجام شده است. این مطالعه به روش مروری - تحلیلی و با بررسی نظام مند مطالعات معتبر در بازه زمانی ۲۰۰۵ تا ۲۰۲۴ صورت پذیرفته است. در این راستا، ادغام داده های بلادرنگ IoT با مدل های عددی و الگوریتم های یادگیری عمیق (CNN-LSTM) در قالب یک سیستم عصبی دیجیتال برای پایش اقیانوس مورد تحلیل قرار گرفته است. یافته های این پژوهش نشان داد که سامانه های مبتنی بر IoT قادر به ثبت تغییرات فشار بستر دریا با دقت 0.1 پاسکال در بازه های زمانی زیر یک دقیقه هستند. ادغام این داده ها با مدل های عددی منجر به افزایش ۲۰ تا ۲۵ درصدی دقت پیش بینی ارتفاع موج و کاهش ۵۰ درصدی زمان هشدار شده است. همچنین معماری CNN-LSTM دقت تشخیص سونامی را به ۹۲ درصد رسانده و نرخ هشدار اشتباه را ۳۵ درصد کاهش داده است. از منظر اقتصادی، این سامانه ها تا ۴۰ درصد در هزینه های عملیاتی صرفه جویی ایجاد کرده و در مناطق پرخطری مانند سواحل مکران در شمال اقیانوس هند، زمان هشدار را به کمتر از ۳ دقیقه کاهش می دهند. تلفیق فناوری IoT با مدل سازی عددی و هوش مصنوعی، پارادایم جدیدی در هشدار زودهنگام سونامی ایجاد کرده که علاوه بر بهبود دقت، سرعت و قابلیت اطمینان، امکان مدیریت هوشمند سواحل را فراهم می سازد.